科技首页创事记互联网电信 IT业界投稿

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！

2020-06-30 13:02:35 创事记作者：

脑部成像分析是一件很费时费力的事情。

这就像玩拼图对你来说很简单，但是搭复杂的乐高可能会困难一些，更别说不规则的脑部成像。多年以来，生物影像学的研究生院都致力于提高脑部成像检测的成本与效率，这对解决脑部医学问题非常重要。

近日，德国研究人员发表了一篇叫做《FastSurfer - A fast and accurate deep learning based neuroimaging pipeline》的文章，介绍了FastSurfer——一种基于深度学习的快速、准确的神经成像工作流。

以往的研究人员在做脑部成像分析时一般利用了FreeSurfer。FastSurfer为体积分析和基于表面的厚度分析提供了完整的FreeSurfer替代方案，主要包括了：

1、FastSurferCNN-一种先进的深度学习架构，能够在不到1分钟的时间内将全脑分割为95个类别，模仿了FreeSurfer的解剖学分割和皮质碎裂（DKTatlas）

2、recon-surf——基于FreeSurfer的全表面重建工作流，可在大约60分钟内完成皮质表面重建，皮质标签映射以及传统的逐点和ROI厚度分析。

重建大脑？只知道FreeSurfer可不行，或许你该试试FastSurfer！

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。

FastSurferCNN：深度学习架构让机器能够将全脑分割为95个类别

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。

recon-surf：重建大脑

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。