FastSurfer深度学习脑部成像工具：1分钟脑部分割，1小时皮质重建！

---

  新智元报道  

来源：NeuroImage

编辑：舒婷

传统的神经图像分析面临着计算量大、耗时多的问题，很难进行推广。FreeSurfer是现行医疗影像学中比较普遍使用的软件，但在性能方便依旧有待优化。

FastSurfer可能可以解决这样的问题。德国研究人员提出了一种快速，准确的基于深度学习的神经影像方法，用于结构化人脑MRI扫描的自动处理。这种方法为体积分析（不到1分钟）和基于表面的厚度分析（仅在1小时左右的运行时间内）提供了完整的FreeSurfer替代方案。

就运行速度而言，一个完整的FreeSurfer运行在CPU上大约需要7小时（并行4小时），具体取决于图像质量，疾病严重程度等。FastSurfer仅在1分钟内（在GPU上，在CPU上14分钟）就实现了体积分割（皮下和皮层区域），在1.7小时（并行0.9小时）内完成包括皮层ROI厚度测量在内的表面处理，包括球形配准，在CPU上3.7小时（平行1.6小时）内对表面贴图进行潜在的后续组分析。

在OASIS1重测数据集的测试中，FastSurfer的表现相对较好，其ICC（组内相关系数）大多都在0.8-1之间，且较高。

特别地，对痴呆症中群体差异的敏感性是我们评估的重要组成部分。FreeSurfer和FastSurfer的敏感性差异，通过评估其在OASIS1中分离诊断组的能力（AD与CN）来确定（p）。

在FastSurfer分析流中，皮质厚度的差异更加明显，即敏感性更强烈。

测试中，FastSurfer不但比传统方法快几个数量级，且提高了可靠性和敏感性。因此是成为将来进行大规模分析任务的可靠工具。

深度学习框架第一个要做的工作就是提供准确的3D全脑分割。研究人员利用一种新颖的光谱方法（使用Laplace特征函数快速绘制皮层）执行皮质表面重建和快速球面映射。

上图显示了FastSurfer网络体系结构。该网络由编码器和解码器部分中的四个竞争密集块（CDB）组成，并由瓶颈层隔开。除第一个编码器块外，每个块均由参数整流线性单元（PReLU），卷积（Conv）和批量归一化（BN）的三个序列组成。在第一个块中，将PReLU替换为BN以标准化原始输入。

对于FastSurferCNN，这个深度学习框架第一个要做的工作就是提供准确的3D全脑分割。研究人员利用一种新颖的光谱方法（使用Laplace特征函数快速绘制皮层）执行皮质表面重建和快速球面映射。

数据集训练时，利用的是来自ABIDE-II，ADNI，LA5C和OASIS的140名代表性受试者信息，并使用来自MIRIAD的20名受试者进行验证。训练集在性别，年龄，诊断方面是平衡的，并且涵盖了其他各种参数（即扫描仪，场强和采集参数）。

训练图像中足够的解剖结构和采集多样性可以提高网络的鲁棒性，通用性，并最终在大多数看不见的扫描中提高分割精度，而无需微调模型权重。

在利用深度学习框架分析了大脑的信息之后，需要将其重建。首先，使用移动立方体算法重建曲面。然后，将一种新的，快速的频谱映射到球体。在这里，我们将使用原始FreeSurfer模块（mri_tessellate和mris_sphere）这两个步骤，其他方面与FastSurfer相同。需要量化的有：拓扑表面缺陷的数量，所产生的表面三角形网格的平均质量。

使用移动立方体构造曲面时，FreeSurfer模块的工作流中的平均缺陷数（每半球27.2个缺陷）减少了12％（24.0个缺陷），而在拟建工作流中（FastSurfer：移动立方体+光谱球面投影）减少了15.3％（23.1个缺陷）。FastSurfer的平均表面处理时间每半球显着减少了15分钟。

参考链接：https://www.sciencedirect.com/science/article/pii/S1053811920304985?via%3Dihub

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/