怎样深度学习脑部成像工具FastSurfer

发布时间:2021-12-29 13:57:21 作者:柒染
来源:亿速云 阅读:176

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。

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。

怎样深度学习脑部成像工具FastSurfer

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。

怎样深度学习脑部成像工具FastSurfer

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。 

怎样深度学习脑部成像工具FastSurfer

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。

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

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)。

怎样深度学习脑部成像工具FastSurfer

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。

怎样深度学习脑部成像工具FastSurfer

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。

怎样深度学习脑部成像工具FastSurfer

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)。

怎样深度学习脑部成像工具FastSurfer

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。

怎样深度学习脑部成像工具FastSurfer

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,欢迎关注亿速云行业资讯频道,感谢各位的阅读!

推荐阅读:
  1. TensorFlow深度学习应用实践
  2. matplotlib实现热成像图colorbar和极坐标图

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

fastsurfer

上一篇:springcloud中如何使用熔断监控Hystrix Dashboard

下一篇:NanoVG优化方法是什么

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》