脳の年齢推定のためのマルチチャネル注意融合ニューラルネットワーク：寿命全体に16,705の健康的なMRIを使用した精度、一般性、および解釈

T1強調磁気共鳴画像（T1W MRI）からの機械学習によって推定される脳年齢は、脳障害が脳の老化をどのように変化させるかを明らかにし、そのような障害の早期発見に役立つ可能性があります。基本的なステップは、健康な脳MRIから正確な年齢推定器を構築することです。このステップに焦点を当て、健康な脳MRIの年齢推定の精度、一般性、解釈を改善するためのフレームワークを提案します。精度のために、最大のサンプルサイズの1つを使用しました（n = 16,705）。各被験者について、提案されたアルゴリズムは最初に、他の研究で単一チャネル3D画像として一般的に扱われてきたT1W画像を、コントラストと形態計測情報を表す2つの3D画像チャネルに明示的に分割します。さらに、コントラスト画像チャネルと形態計測画像チャネルを最適に融合する方法を学ぶために、「出席との融合」深い学習畳み込みニューラルネットワーク（FIA-NET）を提案しました。Fia-netは、異なる脳の解剖学および異なる特徴層での画像チャネル全体のさまざまな寄与を認識しています。対照的に、マルチチャネル融合は脳年齢の推定には存在せず、他の医療画像分析タスク（例えば、画像合成やセグメンテーションなど）ではほとんど注意が払われていません。一般性のために、私たちは現実世界のユーティリティに0〜97歳の寿命データを使用しました。また、交差検査と複製データにおける2つの相互検証の2つの段階で、マルチサイトおよびマルチスキャナーの一般性のFIA-NETを徹底的にテストしました。解釈のために、顕著な特徴が年齢を予測する場合と予測しない場合がある特徴の顕著性を検討している他の研究と比較して、それぞれの人工ニューロンの年齢との相関を直接測定しました。全体として、FIA-NETは3.00年の平均絶対誤差（MAE）を達成し、ピアソン相関r = 0.9840は、健康な脳MRIS 0-97歳で既知の年代系年齢とともに、最先端のアルゴリズムおよび研究と比較して比較しました。サイトとデータセット全体の正確性と一般性。また、異なる人工ニューロンと実際の神経解剖学が年齢推定にどのように寄与するかについての解釈を提供しました。

Brain age estimated by machine learning from T1-weighted magnetic resonance images (T1w MRIs) can reveal how brain disorders alter brain aging and can help in the early detection of such disorders. A fundamental step is to build an accurate age estimator from healthy brain MRIs. We focus on this step, and propose a framework to improve the accuracy, generality, and interpretation of age estimation in healthy brain MRIs. For accuracy, we used one of the largest sample sizes (N = 16,705). For each subject, our proposed algorithm first explicitly splits the T1w image, which has been commonly treated as a single-channel 3D image in other studies, into two 3D image channels representing contrast and morphometry information. We further proposed a "fusion-with-attention" deep learning convolutional neural network (FiA-Net) to learn how to best fuse the contrast and morphometry image channels. FiA-Net recognizes varying contributions across image channels at different brain anatomy and different feature layers. In contrast, multi-channel fusion does not exist for brain age estimation, and is mostly attention-free in other medical image analysis tasks (e.g., image synthesis, or segmentation), where treating channels equally may not be optimal. For generality, we used lifespan data 0-97 years of age for real-world utility; and we thoroughly tested FiA-Net for multi-site and multi-scanner generality by two phases of cross-validations in discovery and replication data, compared to most other studies with only one phase of cross-validation. For interpretation, we directly measured each artificial neuron's correlation with the chronological age, compared to other studies looking at the saliency of features where salient features may or may not predict age. Overall, FiA-Net achieved a mean absolute error (MAE) of 3.00 years and Pearson correlation r=0.9840 with known chronological ages in healthy brain MRIs 0-97 years of age, comparing favorably with state-of-the-art algorithms and studies for accuracy and generality across sites and datasets. We also provided interpretations on how different artificial neurons and real neuroanatomy contribute to the age estimation.