スキャナー非依存の品質評価のための注意ゲーティング畳み込みネットワーク

Abstract

運動によるアーチファクトは構造MRI（sMRI）において大きな課題であり、しばしば臨床診断や大規模な自動解析を損ないます。手作業による品質管理（QC）は依然としてゴールドスタンダードですが、大規模な縦断研究に対しては、もはやスケールしにくくなっています。そこで本研究では、サイト不変な頑健なMRI品質評価のためのハイブリッドCNN-Attentionフレームワークを提案します。本アーキテクチャは、局所的な空間特徴抽出のための階層的2D CNNエンコーダと、グローバルな依存関係をモデル化するマルチヘッド・クロスアテンション機構を統合します。この相乗効果により、リング（リンギング）やぼけ（ブラー）といった運動に関連するアーチファクトの特徴をモデルが優先的に捉えつつ、サイト固有の強度変動や背景雑音を動的に除外できるようになります。提案フレームワークは、200名の被験者からなるバランスの取れたコホートを用いて、MR-ARTデータセットでエンドツーエンド学習されました。性能は2段階で評価しました。すなわち、保持したMR-ARTのパーティションを用いたSeen Site Evaluationと、ABIDEアーカイブ内の17の異種サイトからの200名を用いたUnseen Site Evaluationです。見えているサイトでは、モデルはスキャン単位の精度0.9920およびF1スコア0.9919を達成しました。重要なのは、再学習やファインチューニングなしで、未見のABIDEサイトに対しても強い汎化性能（Acc = 0.755）を維持したことです。これは、ドメインシフトへの高い耐性を示しています。これらの結果は、アテンションに基づく特徴の再重み付けが普遍的なアーチファクト記述子をうまく捉え、多様な撮像環境やメーカー間における性能ギャップを埋めることを示唆しています。