基于多个队列对不完整小节逆转的自动评分

不完整小节逆转 (IHI)，有时称为小节扭转失调，是小节在总体人群中约 20% 常见的异常解剖模式。IHI 可在 T1 加权 MR 图像的冠状切片上进行视觉评估，使用组合评分，该评分结合四个解剖标准。IHI 已与多种脑障碍相关（癫痫、精神分裂症）。然而，这些研究基于小样本。此外，导致 IHI 发生的因素（遗传或环境）基本未知。因此，亟需大规模研究进一步了解 IHI 及其与神经和精神疾病的潜在关系。然而，视觉评估耗时且繁琐， justifies 自动方法的需求。在本文中，我们首次提出自动评估 IHI 的方法。我们通过预测四个解剖标准，然后对其求和以形成 IHI 评分，从而提供可解释评分的优势。我们对不同的机器学习方法和训练策略进行了广泛的实验调查。我们使用各种深度学习模型（conv5-FC3、ResNet 和 SECNN）以及岭回归进行自动评分。我们研究了不同队列模型的泛化性，并进行了多队列学习。我们依赖来自 IMAGEN 研究的 2008 名参与者，来自 QTIM/QTAB 研究的 993 名和 403 名参与者，以及来自 UKBiobank 的 985 名受试者。我们展示了深度学习模型优于岭回归。我们证明了 conv5-FC3 网络的性能至少与更复杂的网络相当，同时保持低复杂度和计算时间。我们展示了在单个队列上训练可能缺乏变异性，而在多个队列上训练可提高泛化性。