Attention-Gated Convolutional Networks for Scanner-Agnostic Quality Assessment

Probleemstelling

Bewegingsartefacten vormen een aanzienlijke uitdaging bij structurele MRI-scans (sMRI), wat vaak leidt tot een verslechtering van de klinische diagnose en de betrouwbaarheid van grootschalige geautomatiseerde analyses. Hoewel handmatige kwaliteitscontrole (QC) de gouden standaard blijft, is deze niet schaalbaar voor grote longitudinale studies zoals de ABCD-studie of ADNI. Bestaande geautomatiseerde methoden, waaronder diep leren (Deep Learning) en traditionele machine learning, kampen met twee belangrijke beperkingen:

1. Schaalbaarheid: Ze vereisen vaak complexe, handmatige feature engineering (zoals schedelstripping) of multi-stap pipelines.
2. Generalisatie: Bestaande modellen presteren slecht op "onzichtbare" locaties (unseen sites), d.w.z. scanners of opnameprotocollen die niet in de trainingsset waren opgenomen. Dit "domain shift" probleem belemmert de toepassing in multi-centrum consortia.

Methodologie

De auteurs stellen een hybride CNN-Attention framework voor dat is ontworpen voor robuuste, scanner-onafhankelijke kwaliteitsbeoordeling. De architectuur bestaat uit drie sequentiële fasen:

1. 2D CNN Encoder (Lokale Feature Extractie):

   • Een diep Convolutional Neural Network (CNN) met drie residual-style blokken (totaal zes convolutielagen) extrahert lokale ruimtelijke kenmerken uit 2D axiale slices.
   • Het netwerk gebruikt 3x3 convoluties, batch normalisatie en ReLU-activaties.
   • Het doel is het vastleggen van morfologische texturen, zoals randdiscontinuïteiten en lokale intensiteitsfluctuaties, die kenmerkend zijn voor bewegingsartefacten.
   • De output wordt geprojecteerd naar 128-dimensionale embedding vectoren.

2. Multi-Head Cross-Attention Mechanisme (Globale Herweging):

   • Dit is het kerninnovatieve onderdeel. Een cross-attention module modelleert inter-dependencies binnen de latente ruimte.
   • Het past channel-wise spatial self-attention toe, waarbij de aandacht onafhankelijk wordt toegepast op elke feature-kanaal over de afgevlakte ruimtelijke dimensies.
   • Functie: De module leert om de "belangrijkheid" van convolutie-features dynamisch te herwegen. Het prioriteert universele artefact-signaturen (zoals ringing en wazigheid) en filtert actief site-specifieke ruis en intensiteitsvariaties (bijv. door verschillende scanners) eruit. Dit creëert een scanner-onafhankelijke latente ruimte.

3. Classificatie Head:

   • De geattendeerde representaties worden gevoed in een Multi-Layer Perceptron (MLP) met dalende dimensies (256 → 128 → 64 → 1).
   • Dropout regularisatie wordt gebruikt om overfitting op specifieke trainingspatronen te voorkomen.
   • Een sigmoid activatie levert een waarschijnlijkheidsscore voor bewegingscorruptie.

Trainings- en Evaluatieprotocol:

• Dataset: Getraind op het MR-ART dataset (200 subjecten, gebalanceerd tussen bewegingsvrij en bewegingsgecorrumpeerd).
• Validatie:
  • Gezien (Seen): Houd-out partition van MR-ART.
  • Ongezien (Unseen): 200 subjecten van 17 heterogene sites uit het ABIDE archief (geen hertraining of fine-tuning).
• Inferentie: Slice-level voorspellingen worden geaggregeerd tot scan-level beslissingen via meerderheidsstemming (majority voting). Een scan wordt als "slecht" geclassificeerd als >50% van de slices bewegingsgecorrumpeerd is.

Belangrijkste Bijdragen

1. Eerste toepassing van Attention in MRI QC: Dit werk introduceert voor het eerst attention-mechanismen specifiek voor MRI-kwaliteitsbeoordeling, waarbij het de kloof tussen diverse beeldvormingsomgevingen overbrugt.
2. Scanner-Agnostic Generalisatie: Het model demonstreert sterke generalisatie naar volledig nieuwe scanners en protocollen zonder extra training, wat een kritieke stap is voor multi-centrum studies.
3. Hybride Architectuur: Het bewijst dat het "trouwen" van lokale CNN-extractie met globale attention-herweging superieure robuustheid biedt ten opzichte van pure CNN's of pure Transformers, zonder de enorme data-eisen van laatstgenoemden.
4. End-to-End Automatisering: Elimineert de noodzaak voor handmatige feature engineering of multi-stap pipelines.

Resultaten

De prestaties werden geëvalueerd op zowel slice-level als scan-level:

• Gezien Sites (MR-ART):

  • Scan-level nauwkeurigheid: 99,20%
  • F1-score: 99,19%
  • Precisie: 100%, Recall: 98,40%.
  • AUC-ROC: 0,9994.

• Ongezien Sites (ABIDE - 17 sites):

  • Scan-level nauwkeurigheid: 75,50%
  • Recall (Sensitiviteit): 84,60%
  • Belangrijk: Het model behoudt een hoge sensitiviteit voor beweging ondanks de domeinverschuiving, zonder dat de precisie volledig instort.

• Ablatie-studie:

  • Het verwijderen van de attention-module leidt tot een sterke daling in recall op ABIDE (van 84,60% naar 69%), wat aantoont dat de attention-module cruciaal is voor het behoud van sensitiviteit bij generalisatie naar nieuwe sites.
  • Het volledige model (CNN + Attention + Head) presteert significant beter dan bestaande methoden (zoals MIA, JMRI) op zowel de trainings- als de test-domeinen.

Betekenis en Conclusie

Dit onderzoek biedt een oplossing voor het langdurige probleem van domain shift in medische beeldanalyse. Door attention-mechanismen te gebruiken om site-specifieke variaties te filteren en universele artefact-signaturen te isoleren, maakt het framework grootschalige, multi-centrum kwaliteitscontrole haalbaar.

Hoewel de huidige studie beperkt is tot een bepaalde cohortgrootte, opent het de weg voor toekomstig werk op nog grotere datasets (zoals de volledige ABIDE, ABCD en ADNI). De resultaten suggereren dat attention-based feature re-weighting een krachtige strategie is om de prestatiekloof tussen verschillende beeldvormingsomgevingen en scannerfabrikanten te overbruggen, wat essentieel is voor de toekomst van betrouwbare, geautomatiseerde neuroimaging-analyses.