怎样深度学习脑部成像工具FastSurfer

怎样深度学习脑部成像工具FastSurfer，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

创新互联公司是网站建设专家,致力于互联网品牌建设与网络营销，专业领域包括成都网站制作、成都网站建设、电商网站制作开发、小程序设计、微信营销、系统平台开发，与其他网站设计及系统开发公司不同，我们的整合解决方案结合了恒基网络品牌建设经验和互联网整合营销的理念，并将策略和执行紧密结合，且不断评估并优化我们的方案，为客户提供全方位的互联网品牌整合方案！

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。

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。

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。

看完上述内容，你们掌握怎样深度学习脑部成像工具FastSurfer的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！