RegQCNET：用于图像到模板脑 MRI 仿射配准的深度质量控制
图像与视频处理
2020-09-17 v2 计算机视觉与模式识别
机器学习
摘要
将一幅或多幅脑图像仿射配准到一个公共参考空间是许多图像处理任务（如脑分割或功能分析）的必要前提。人工评估配准质量是一项繁琐且耗时的任务，尤其是在包含大量数据的研究中。自动化且可靠的质量控制（QC）变得必不可少。此外，QC 的计算时间还必须与海量数据集的处理相兼容。因此，自动化深度神经网络方法成为自动评估配准质量的首选方法。在本研究中，引入了一种称为 RegQCNET 的紧凑型 3D 卷积神经网络（CNN），用于定量预测已配准图像与参考模板之间仿射配准失配的幅度。该配准误差的定量估计采用公制单位系统表示。因此，可以手动或自动定义一个有意义的任务特定阈值，以区分可用与不可用的图像。首先，在所经历的各种模拟空间变换以及训练与测试间强度差异的生命周期脑图像上分析了所提出的 RegQCNET 的鲁棒性。其次，使用手动和自动阈值评估了 RegQCNET 将图像分类为可用或不可用的潜力。在我们的实验中，自动阈值是通过交叉验证使用若干计算机辅助分类模型估计的。为此，我们使用了在 3953 个脑的生命周期队列上估计的专家视觉质量控制。最后，将 RegQCNET 的精度与常用图像特征进行比较。结果表明，所提出的深度学习 QC 在处理流水线中估计仿射配准误差方面鲁棒、快速且准确。
引用
@article{arxiv.2005.06835,
title = {RegQCNET: Deep Quality Control for Image-to-template Brain MRI Affine Registration},
author = {Baudouin Denis de Senneville and José V. Manjon and Pierrick Coupé},
journal= {arXiv preprint arXiv:2005.06835},
year = {2020}
}