脑结构 MR 图像质量评估：深度学习与手工特征基于机器学习方法在新站点的泛化性比较
图像与视频处理
2026-03-20 v1
摘要
脑结构 MR 图像的质量评估对于大规模神经影像研究至关重要，运动伪影会显著偏向临床估计。虽然视觉评分仍是金标准，但耗时且主观。本研究评估了两种主要自动化质量评估(AQA)方法的相对性能和泛化能力：一种是使用手工制作的图像质量指标配合传统机器学习的 MRIQC，另一种是利用深度学习(DL)架构的 CNNQC。使用来自 17 个不同站点的 1,098 个 T1 加权体积的异构数据集，我们在看见站点和完全新站点上进行评估，采用留一站点(LOSO)方法。我们的结果表明，DL 和传统 ML 方法在新扫描仪或站点的泛化性都有限。虽然 MRIQC 在大多数不可见站点上通常实现更高的准确率，但 CNNQC 在检测差质量扫描时显示更高的灵敏度。鉴于 DL 方法如 CNNQC 提供更高的计算效率且无需昂贵的预处理，对于大规模部署可能更受青睐，但未来工作需关注提高跨站泛化性。
引用
@article{arxiv.2603.18050,
title = {Quality assessment of brain structural MR images: Comparing generalization of deep learning versus hand-crafted feature-based machine learning methods to new sites},
author = {Prabhjot Kaur and John S. Thornton and Frederik Barkhof and Tarek A. Yousry and Sjoerd B. Vos and Hui Zhang},
journal= {arXiv preprint arXiv:2603.18050},
year = {2026}
}