[논문 리뷰] FetMRQC: a robust quality control system for multi-centric fetal brain MRI

Thomas Sanchez, Oscar Estéban외 9명|arXiv (Cornell University)|2023. 11. 08.

Fetal and Pediatric Neurological Disorders인용 수 4

한 줄 요약

FetMRQC는 다중 센터 산모 뇌 MRI의 품질을 자동으로 제어하기 위해 332개의 영상 품질 지표를 랜덤 포레스트를 사용해 융합하는 오픈소스로 해석 가능한 기계학습 프레임워크이다. 다양한 스캐너와 프로토콜 간에 강력한 일반화 성능을 보이며, 1,600개 이상의 수작업 평가된 T2 강조 산모 뇌 MRI로 구성된 대규모 다중센터 데이터셋에서 회귀 분석(R² = 0.78)과 분류 분석(F1 = 0.83) 모두에서 기준 모델을 능가한다.

ABSTRACT

Fetal brain MRI is becoming an increasingly relevant complement to neurosonography for perinatal diagnosis, allowing fundamental insights into fetal brain development throughout gestation. However, uncontrolled fetal motion and heterogeneity in acquisition protocols lead to data of variable quality, potentially biasing the outcome of subsequent studies. We present FetMRQC, an open-source machine-learning framework for automated image quality assessment and quality control that is robust to domain shifts induced by the heterogeneity of clinical data. FetMRQC extracts an ensemble of quality metrics from unprocessed anatomical MRI and combines them to predict experts' ratings using random forests. We validate our framework on a pioneeringly large and diverse dataset of more than 1600 manually rated fetal brain T2-weighted images from four clinical centers and 13 different scanners. Our study shows that FetMRQC's predictions generalize well to unseen data while being interpretable. FetMRQC is a step towards more robust fetal brain neuroimaging, which has the potential to shed new insights on the developing human brain.

연구 동기 및 목표

• 운동 아티팩트와 프로토콜 이질성으로 인해 표준화된 자동 품질 제어가 부족한 다중 센터 산모 뇌 MRI 문제를 해결하기 위해.
• 도메인 적응이 필요 없이 다양한 임상 스캐너와 촬영 프로토콜 간에 일반화 가능한 프레임워크를 개발하기 위해.
• 신뢰할 수 있는 데이터 정제 및 후속 분석을 지원하기 위해 품질 평가의 해석 가능성과 자동화를 보장하기 위해.
• 대규모 연구에서 전문가 수작업 평가에 의존하는 것을 줄이고, 확장 가능하고 객관적인 영상 품질 평가 대안을 제공하기 위해.

제안 방법

• 비처리된 T2 강조 산모 뇌 MRI에서 강도, 구조적, 딥러닝 기반 특징을 포함한 총 332개의 영상 품질 지표(IQMs)를 추출한다.
• 랜덤 포레스트를 사용해 IQMs를 융합하고 전문가 평가 기반의 영상 품질 예측을 수행함으로써 강건성과 해석 가능성 확보.
• 초기 모델 선택 시 오버피팅 방지를 위해 내재된 교차 검증 전략을 적용하여 하이퍼파rameter 최적화.
• 특징 중요도 분석을 통해 예측력이 높은 20개의 IQMs를 식별하고, 성능 저하를 최소화한 경량 버전(FetMRQC-20) 개발.
• 표준 평가 지표를 사용해 성능 검증: 회귀 분석에 R², 스피어만 상관계수, MAE; 분류 분석에 F1 점수, AUC, 정밀도, 재현율.
• 저품질 스택을 걸러내어 초해상도 복원 파이프라인의 출력 품질을 향상시키기 위해 초해상도 복원 파이프라인과 통합.

Figure 1: Variations in data quality illustrated. A – Comparison of data across adult (T1w), from the ABIDE dataset [ 13 ] and from fetal acquisitions. In the excluded scans, the adult image on the left suffers from severe motion artifacts, while large coil artifacts corrupt the image on the right.

실험 결과

연구 질문

• RQ1 다중 센터 산모 뇌 MRI 데이터로 훈련된 기계학습 프레임워크가 미세조정 없이도 새로운 스캐너와 프로토콜에 일반화 가능한가?
• RQ2 어떤 영상 품질 지표 조합이 전문가 평가 기반 영상 품질 예측에서 가장 정확하고 강건한가?
• RQ3 기존 기준 모델(딥러닝 및 룰 기반 방법 포함)과 비교해 예측 성능 및 일반화 능력에서 FetMRQC는 어떤가?
• RQ4 저품질 데이터를 걸러내는 것으로 초해상도 복원과 같은 후속 처리 과정의 품질이 얼마나 향상되는가?
• RQ5 프레임워크가 해석 가능하고 투명하게 만들어져 임상의 및 연구자가 품질 예측의 근거를 이해할 수 있는가?

주요 결과

• FetMRQC는 회귀 분석에서 피어슨 R² = 0.78, 분류 분석에서 가중 F1 점수 0.83를 기록해, 새로운 데이터에 대해 강력한 예측 성능를 보였다.
• 네 개의 임상 센터와 13종의 다른 MRI 스캐너 간에 효과적으로 일반화되며, 도메인 이동에 대한 강건성을 입증했다.
• 특징 중요도 분석을 통해 식별된 상위 20개의 IQMs(예: 순서 오차, 마스크 부피, 정규화된 상관관계)가 대부분의 예측 능력을 차지하며, 성능 저하를 최소화한 경량 버전(FetMRQC-20)을 개발할 수 있었다.
• 저품질 스택을 걸러내어 초해상도 복원 품질을 크게 향상시켜 잡음과 아티팩트를 감소시키고 최종 영상의 정밀도를 향상시켰다.
• 특히 불균형한 품질 분포를 다룰 때 기존 기준 모델(NiftyMIC-QC 및 딥러닝 기반 모델(dl_stack, dl_slice))을 능가하는 성능을 보였다.
• 특징 중요도 분석 결과, 구조적 지표(예: 마스크 부피, 중심점)와 운동 관련 특징(예: 순서 오차)이 영상 품질 예측에서 가장 영향력 있는 예측 변수로 확인되었다.

Figure 2: A look into the dataset. A – Illustration of the quality rating interface developed in this work. B – Detailed description of the parameters from the MRI acquisitions used in the study. Field refers to the magnetic field of the scanner, TR is the repetition time and TE is the echo time. C