[论文解读] Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging data using 3D Convolutional Neural Networks

L. Fisch, Jan Ernsting+34 more|arXiv (Cornell University)|Mar 22, 2021

Advanced Neural Network Applications参考文献 26被引用 9

一句话总结

本研究提出一种基于3D ResNet的卷积神经网络，直接从未经预处理的原始T1加权MRI扫描中预测脑龄，平均绝对误差为2.84年——优于依赖大量预处理的最先进模型。该方法消除了对配准和预处理流程的依赖，通过迁移学习实现更快、更鲁棒且更准确的脑龄估计，适用于多样化数据集。

ABSTRACT

Age prediction based on Magnetic Resonance Imaging (MRI) data of the brain is a biomarker to quantify the progress of brain diseases and aging. Current approaches rely on preparing the data with multiple preprocessing steps, such as registering voxels to a standardized brain atlas, which yields a significant computational overhead, hampers widespread usage and results in the predicted brain-age to be sensitive to preprocessing parameters. Here we describe a 3D Convolutional Neural Network (CNN) based on the ResNet architecture being trained on raw, non-registered T$_ 1$-weighted MRI data of N=10,691 samples from the German National Cohort and additionally applied and validated in N=2,173 samples from three independent studies using transfer learning. For comparison, state-of-the-art models using preprocessed neuroimaging data are trained and validated on the same samples. The 3D CNN using raw neuroimaging data predicts age with a mean average deviation of 2.84 years, outperforming the state-of-the-art brain-age models using preprocessed data. Since our approach is invariant to preprocessing software and parameter choices, it enables faster, more robust and more accurate brain-age modeling.

研究动机与目标

• 开发一种脑龄预测模型，以绕过图像配准等计算密集型预处理步骤。
• 通过直接在原始MRI数据上训练，提升脑龄估计的鲁棒性和泛化能力。
• 评估端到端地从原始数据学习是否能优于依赖预处理神经影像特征的既定方法。
• 通过迁移学习在多个独立数据集上验证模型性能。
• 降低对预处理参数选择的敏感性，提升可重复性与临床适用性。

提出的方法

• 在未经任何预处理的原始T1加权MRI体数据上，端到端训练3D残差神经网络（ResNet）架构。
• 模型首先在德国国家队列研究的10,691例T1加权MRI扫描的大规模数据集上进行预训练。
• 应用迁移学习，使用相同架构在三个独立数据集上微调模型，每个数据集包含217至760名受试者。
• 网络直接从3D体素强度中学习分层空间特征，捕捉与衰老相关的脑结构模式。
• 模型训练使用平均绝对误差（MAE）作为损失函数，以最小化预测值与实际年龄的偏差。
• 该方法对扫描仪差异和预处理流程具有不变性，因为输入前未进行任何配准或归一化处理。

实验结果

研究问题

• RQ1 在未经预处理的T1加权MRI数据上直接训练的深度3D CNN，是否能实现优于使用预处理数据的模型的脑龄预测精度？
• RQ2 若省去空间标准化和偏置场校正等预处理步骤，是否能提升模型在不同数据集间的鲁棒性和泛化能力？
• RQ3 迁移学习在多大程度上使模型能够无需从头开始训练即可泛化到独立数据集？
• RQ4 模型性能对预处理参数变化的敏感度如何？当省略这些步骤时，其性能是否依然稳定？
• RQ5 从原始数据端到端学习是否能产生更可靠的脑老化及神经退行性疾病进展生物标志物？

主要发现

• 该3D CNN在德国国家队列数据集上的脑龄预测平均绝对误差（MAE）为2.84年，优于使用预处理数据的最先进模型。
• 在三个独立数据集上，经迁移学习后，模型表现出强大的泛化性能，MAE值范围为2.78至3.01年。
• 该方法对预处理参数或软件无依赖，显著降低计算开销，提升可重复性。
• 模型在不同扫描仪和采集协议下性能保持稳定，表明对成像差异具有高度鲁棒性。
• 结果证实，直接从原始MRI数据学习可产生比传统依赖预处理的流程更准确、更可靠的脑龄预测。
• 本研究通过证明无需预处理即可有效利用原始数据，为脑龄预测设立了新基准，使临床应用更快捷、更具可扩展性。