三维端到端深度学习用于脑 MRI 分析
计算机视觉与模式识别
2025-07-01 v1
摘要
深度学习(DL)方法在脑成像中日益超越传统方法，但其在不同成像队列之间的通用性仍不充分评估。由于年龄和性别是临床神经科学中的关键神经生物标志物，影响脑结构和疾病风险，本研究评估了三个现有的三维架构：简单全连接网络(SFCN)、DenseNet 和移位窗口(Swin)转换器，用于来自四个独立队列的 T1 加权 MRI 数据进行年龄和性别预测：UK Biobank (UKB, n=47,390)、Dallas Lifespan Brain Study (DLBS, n=132)、Parkinson's Progression Markers Initiative (PPMI, n=108 名健康对照者)和 Information eXtraction from Images (IXI, n=319)。我们发现 SFCN 在 UKB（内部测试集）中性态 outperformed 更复杂的架构，性别分类 AUC 为 1.00 [1.00-1.00]，在外部测试集中为 0.85-0.91。对于年龄预测任务，SFCN 在 UKB 中的平均绝对误差(MAE)为 2.66 (r=0.89)，跨外部数据集为 4.98-5.81 (r=0.55-0.70)。巴洛弗纠正的成对 DeLong 检验和 Wilcoxon 符号秩检验确认 SFCN 在大多数队列中优于 Swin 转换器(p<0.017，针对三次比较)。解释性分析进一步表明，模型注意力在队列间具有区域一致性，并且特定于每个任务。我们的发现表明，较简单的卷积网络在脑图像分析中超越了更密集且更复杂的注意力驱动的 DL 架构，表现出更好的跨数据集通用性。
引用
@article{arxiv.2506.23916,
title = {Three-dimensional end-to-end deep learning for brain MRI analysis},
author = {Radhika Juglan and Marta Ligero and Zunamys I. Carrero and Asier Rabasco and Tim Lenz and Leo Misera and Gregory Patrick Veldhuizen and Paul Kuntke and Hagen H. Kitzler and Sven Nebelung and Daniel Truhn and Jakob Nikolas Kather},
journal= {arXiv preprint arXiv:2506.23916},
year = {2025}
}