Estimating Head Motion from MR-Images

要約

頭部の動きは、視覚的な品質管理が実行されている場合でも、形態計測測定に体系的に影響を与えるため、磁気共鳴画像 (MRI) 分析の遍在する交絡因子です。
専門家によって検出されていない微妙な頭の動きを推定するために、T1 加重 (T1w)、T2 加重 (T2w)、流体減衰反転回復 (FLAIR) から直接スキャナー内の頭の動きを予測するディープラーニング手法を導入します。
) スキャナー内深度カメラからのモーション推定をグラウンド トゥルースとして使用する画像。
ラインラント研究に準拠した健康な参加者からのデータを使用しているため、頭部の動きとその結果として生じる画像アーチファクトは、ほとんどの臨床コホートよりも一般的ではなく、検出がより困難です。
私たちの方法は、最先端のモーション推定方法と比較して改善されたパフォーマンスを示し、ドリフトと呼吸運動を個別に定量化できます。
最後に、目に見えないデータについて、私たちの予測は年齢との既知の有意な相関関係を保持しています。

要約(オリジナル)

Head motion is an omnipresent confounder of magnetic resonance image (MRI) analyses as it systematically affects morphometric measurements, even when visual quality control is performed. In order to estimate subtle head motion, that remains undetected by experts, we introduce a deep learning method to predict in-scanner head motion directly from T1-weighted (T1w), T2-weighted (T2w) and fluid-attenuated inversion recovery (FLAIR) images using motion estimates from an in-scanner depth camera as ground truth. Since we work with data from compliant healthy participants of the Rhineland Study, head motion and resulting imaging artifacts are less prevalent than in most clinical cohorts and more difficult to detect. Our method demonstrates improved performance compared to state-of-the-art motion estimation methods and can quantify drift and respiration movement independently. Finally, on unseen data, our predictions preserve the known, significant correlation with age.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google