[论文解读] FetMRQC: a robust quality control system for multi-centric fetal brain MRI

Thomas Sanchez, Oscar Estéban+9 more|arXiv (Cornell University)|Nov 8, 2023

Fetal and Pediatric Neurological Disorders被引用 4

一句话总结

FetMRQC 是一个开源、可解释的机器学习框架，通过使用随机森林将 332 项图像质量指标融合，实现了对多中心胎儿脑 MRI 的自动化质量控制。该框架在不同扫描仪和扫描协议下均表现出稳健的泛化能力，在包含 1,600 余幅经人工评分的 T2 加权胎儿 MRI 图像的大型多中心数据集上，其回归任务（R² = 0.78）和分类任务（F1 = 0.83）性能均优于基线方法。

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.

研究动机与目标

• 解决因运动伪影和协议异质性导致的多中心胎儿脑 MRI 缺乏标准化、自动化质量控制的问题。
• 开发一种无需领域自适应即可在多种临床扫描仪和采集协议间泛化的框架。
• 实现可解释的自动化图像质量评估，以支持胎儿神经影像学中可靠的数据整理和后续分析。
• 通过提供可扩展、客观的替代方案，减少对专家人工评分的依赖，适用于大规模研究中的图像质量评估。

提出的方法

• 从未经处理的 T2 加权胎儿 MRI 中提取 332 项图像质量指标（IQMs），包括强度特征、结构特征以及基于深度学习的特征。
• 使用随机森林融合 IQMs 并预测图像质量的专家评分，确保模型的鲁棒性与可解释性。
• 在初始模型选择阶段采用嵌套交叉验证策略，以避免过拟合并优化超参数。
• 通过特征重要性分析识别出最具预测力的 20 项 IQMs，从而构建轻量化变体（FetMRQC-20），性能损失极小。
• 使用标准指标验证性能：回归任务采用 R²、Spearman 相关系数、平均绝对误差（MAE）；分类任务采用 F1 分数、AUC、精确率和召回率。
• 与超分辨率重建流程集成，通过过滤低质量图像堆栈来提升输出图像质量。

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.

实验结果

研究问题

• RQ1 在未进行微调的情况下，基于多中心胎儿 MRI 数据训练的机器学习框架是否能泛化到未见过的扫描仪和协议？
• RQ2 哪种图像质量指标的组合能够实现对专家评分图像质量的最准确、最稳健的预测？
• RQ3 与现有基线方法（包括深度学习和基于规则的方法）相比，FetMRQC 在预测性能和泛化能力方面表现如何？
• RQ4 通过过滤低质量数据，FetMRQC 在下游处理（如超分辨率重建）中能多大程度上提升性能？
• RQ5 该框架能否实现可解释性和透明化，使临床医生和研究人员能够理解质量预测的依据？

主要发现

• FetMRQC 在回归任务中达到 0.78 的皮尔逊 R²，在分类任务中达到 0.83 的加权 F1 分数，表明其在未见数据上具有强大的预测性能。
• 该框架在四个临床中心和十三台不同 MRI 扫描仪上均表现出有效泛化能力，显示出对领域偏移的稳健性。
• 通过特征重要性分析识别出的前 20 项 IQMs（如等级误差、掩膜体积、归一化互相关）占据了绝大部分预测能力，从而支持轻量化变体（FetMRQC-20）的构建，性能损失可忽略不计。
• FetMRQC 通过过滤低质量图像堆栈，显著提升了超分辨率重建的质量，减少了伪影并增强了最终图像的保真度。
• 该模型优于既有的基线方法，包括 NiftyMIC-QC 和基于深度学习的方法（dl_stack、dl_slice），尤其在处理质量分布不平衡的情况下表现更优。
• 特征重要性分析表明，结构特征（如掩膜体积、质心）以及与运动相关的特征（如等级误差）是影响图像质量预测的最关键因素。

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