QC-Automator：基于深度学习的扩散磁共振图像自动质量控制
图像与视频处理
2019-11-19 v1 计算机视觉与模式识别
机器学习
摘要
扩散MRI（dMRI）数据的质量评估在任何分析之前都是必不可少的，以便使用适当的预处理来改善数据质量，并确保MRI伪影的存在不会影响后续图像分析的结果。数据的手动质量评估具有主观性、可能易出错且不可行，特别是考虑到联盟式研究数量的不断增长，这凸显了流程自动化的需求。在本文中，我们开发了一种基于深度学习的dMRI数据自动质量控制（QC）工具QC-Automator，该工具可处理多种伪影，如运动、多带交织、鬼影、磁敏感、鱼骨状伪影和化学位移。QC-Automator使用卷积神经网络结合迁移学习，在约332000张dMRI数据切片（来自155名独特受试者和5台具有不同dMRI采集参数的扫描仪）的标注数据集上训练自动伪影检测模型，在伪影检测中达到98%的准确率。该方法速度快，为大规模数据集中高效且有效的伪影检测铺平了道路。它还被证明可在具有不同采集参数的其他数据集上复现。
引用
@article{arxiv.1911.06816,
title = {QC-Automator: Deep Learning-based Automated Quality Control for Diffusion MR Images},
author = {Zahra Riahi Samani and Jacob Antony Alappatt and Drew Parker and Abdol Aziz Ould Ismail and Ragini Verma},
journal= {arXiv preprint arXiv:1911.06816},
year = {2019}
}