怎樣深度學(xué)習(xí)腦部成像工具FastSurfer

怎樣深度學(xué)習(xí)腦部成像工具FastSurfer，相信很多沒有經(jīng)驗的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

這就像玩拼圖對你來說很簡單，但是搭復(fù)雜的樂高可能會困難一些，更別說不規(guī)則的腦部成像。多年以來，生物影像學(xué)的研究生院都致力于提高腦部成像檢測的成本與效率，這對解決腦部醫(yī)學(xué)問題非常重要。

以往的研究人員在做腦部成像分析時一般利用了FreeSurfer。FastSurfer為體積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-一種先進(jìn)的深度學(xué)習(xí)架構(gòu)，能夠在不到1分鐘的時間內(nèi)將全腦分割為95個類別，模仿了FreeSurfer的解剖學(xué)分割和皮質(zhì)碎裂（DKTatlas）；

2. recon-surf——基于FreeSurfer的全表面重建工作流，可在大約60分鐘內(nèi)完成皮質(zhì)表面重建，皮質(zhì)標(biāo)簽映射以及傳統(tǒng)的逐點(diǎn)和ROI厚度分析。

重建大腦？只知道FreeSurfer可不行，或許你該試試FastSurfer！

傳統(tǒng)的神經(jīng)圖像分析面臨著計算量大、耗時多的問題，很難進(jìn)行推廣。FreeSurfer是現(xiàn)行醫(yī)療影像學(xué)中比較普遍使用的軟件，但在性能方便依舊有待優(yōu)化。

FastSurfer可能可以解決這樣的問題。德國研究人員提出了一種快速，準(zhǔn)確的基于深度學(xué)習(xí)的神經(jīng)影像方法，用于結(jié)構(gòu)化人腦MRI掃描的自動處理。這種方法為體積分析（不到1分鐘）和基于表面的厚度分析（僅在1小時左右的運(yùn)行時間內(nèi)）提供了完整的FreeSurfer替代方案。

就運(yùn)行速度而言，一個完整的FreeSurfer運(yùn)行在CPU上大約需要7小時（并行4小時），具體取決于圖像質(zhì)量，疾病嚴(yán)重程度等。FastSurfer僅在1分鐘內(nèi)（在GPU上，在CPU上14分鐘）就實現(xiàn)了體積分割（皮下和皮層區(qū)域），在1.7小時（并行0.9小時）內(nèi)完成包括皮層ROI厚度測量在內(nèi)的表面處理，包括球形配準(zhǔn)，在CPU上3.7小時（平行1.6小時）內(nèi)對表面貼圖進(jìn)行潛在的后續(xù)組分析。 

在OASIS1重測數(shù)據(jù)集的測試中，F(xiàn)astSurfer的表現(xiàn)相對較好，其ICC（組內(nèi)相關(guān)系數(shù)）大多都在0.8-1之間，且較高。

特別地，對癡呆癥中群體差異的敏感性是我們評估的重要組成部分。FreeSurfer和FastSurfer的敏感性差異，通過評估其在OASIS1中分離診斷組的能力（AD與CN）來確定（p）。

在FastSurfer分析流中，皮質(zhì)厚度的差異更加明顯，即敏感性更強(qiáng)烈。

測試中，F(xiàn)astSurfer不但比傳統(tǒng)方法快幾個數(shù)量級，且提高了可靠性和敏感性。因此是成為將來進(jìn)行大規(guī)模分析任務(wù)的可靠工具。

FastSurferCNN：深度學(xué)習(xí)架構(gòu)讓機(jī)器能夠?qū)⑷X分割為95個類別

深度學(xué)習(xí)框架第一個要做的工作就是提供準(zhǔn)確的3D全腦分割。研究人員利用一種新穎的光譜方法（使用Laplace特征函數(shù)快速繪制皮層）執(zhí)行皮質(zhì)表面重建和快速球面映射。

上圖顯示了FastSurfer網(wǎng)絡(luò)體系結(jié)構(gòu)。該網(wǎng)絡(luò)由編碼器和解碼器部分中的四個競爭密集塊（CDB）組成，并由瓶頸層隔開。除第一個編碼器塊外，每個塊均由參數(shù)整流線性單元（PReLU），卷積（Conv）和批量歸一化（BN）的三個序列組成。在第一個塊中，將PReLU替換為BN以標(biāo)準(zhǔn)化原始輸入。

對于FastSurferCNN，這個深度學(xué)習(xí)框架第一個要做的工作就是提供準(zhǔn)確的3D全腦分割。研究人員利用一種新穎的光譜方法（使用Laplace特征函數(shù)快速繪制皮層）執(zhí)行皮質(zhì)表面重建和快速球面映射。

數(shù)據(jù)集訓(xùn)練時，利用的是來自ABIDE-II，ADNI，LA5C和OASIS的140名代表性受試者信息，并使用來自MIRIAD的20名受試者進(jìn)行驗證。訓(xùn)練集在性別，年齡，診斷方面是平衡的，并且涵蓋了其他各種參數(shù)（即掃描儀，場強(qiáng)和采集參數(shù)）。

訓(xùn)練圖像中足夠的解剖結(jié)構(gòu)和采集多樣性可以提高網(wǎng)絡(luò)的魯棒性，通用性，并最終在大多數(shù)看不見的掃描中提高分割精度，而無需微調(diào)模型權(quán)重。

recon-surf：重建大腦

在利用深度學(xué)習(xí)框架分析了大腦的信息之后，需要將其重建。首先，使用移動立方體算法重建曲面。然后，將一種新的，快速的頻譜映射到球體。在這里，我們將使用原始FreeSurfer模塊（mri_tessellate和mris_sphere）這兩個步驟，其他方面與FastSurfer相同。需要量化的有：拓?fù)浔砻嫒毕莸臄?shù)量，所產(chǎn)生的表面三角形網(wǎng)格的平均質(zhì)量。

使用移動立方體構(gòu)造曲面時，F(xiàn)reeSurfer模塊的工作流中的平均缺陷數(shù)（每半球27.2個缺陷）減少了12％（24.0個缺陷），而在擬建工作流中（FastSurfer：移動立方體+光譜球面投影）減少了15.3％（23.1個缺陷）。FastSurfer的平均表面處理時間每半球顯著減少了15分鐘。

看完上述內(nèi)容，你們掌握怎樣深度學(xué)習(xí)腦部成像工具FastSurfer的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！