Automated MRI Quality Assessment of Brain T1-weighted MRI in Clinical Data Warehouses: A Transfer Learning Approach Relying on Artefact Simulation

临床数据仓库（CDWs）的出现，包含了数百万患者的医疗数据，为研究打开了广泛的数据共享之路。在CDWs中收集的MRI质量与研究环境下观察到的MRI质量差异很大，反映了某种临床现实。因此，由于其质量差，这些图像中有相当一部分是无法使用的。鉴于CDWs中包含的大量MRI数量，手动评估图像质量是不可能的。因此，有必要开发一种自动化解决方案，能够有效地识别CDWs中的受损图像。本研究提出了一种创新的转移学习方法，用于CDW中3D梯度回波T1加权脑部MRI的自动质量控制，利用伪影模拟。我们首先通过引入较差的对比度、添加噪声和引入运动伪影，故意破坏研究数据集中的图像。随后，使用这些受损图像预训练三个伪影特定模型，以检测不同类型的伪影。最后，通过转移学习技术，利用3660个手动注释的图像将这些模型推广到常规临床数据中。三个模型的结果综合推断出整体图像质量，每个模型设计用于检测特定类型的伪影。我们的方法在385个3D梯度回波T1加权MRI的独立测试集上进行了验证。我们提出的方法在检测低质量MRI方面取得了优异的结果，平衡准确率超过了87％，比我们先前的方法提高了3.5个百分点。此外，我们在检测中等质量MRI方面实现了令人满意的平衡准确率79％，比我们先前的性能提高了5个百分点。我们的框架为利用CDWs中MRI的潜力提供了有价值的工具。

论文旨在开发一种自动化方法，利用艺术品模拟，对CDW中的3D梯度回波T1加权脑部MRI进行质量控制，以有效识别损坏的图像。

论文提出了一种创新的迁移学习方法，通过引入较差的对比度、噪声和运动伪影等因素来故意破坏研究数据集中的图像，并预训练三个特定于伪影类型的模型来检测不同类型的伪影。然后，利用迁移学习技术将这些模型推广到例行临床数据中，从而推断出整体图像质量。

该方法在独立测试集上取得了出色的结果，平衡准确度超过87％，比以前的方法提高了3.5个百分点。此外，对于中等质量的MRI检测，我们实现了令人满意的平衡准确度79％，比以前的性能提高了5个百分点。

最近的相关研究包括：'Deep learning for automated quality control of MRI: an application to brain imaging'、'Automatic quality control of MRI: a deep learning approach'等。