您好,登錄后才能下訂單哦!
怎樣深度學習腦部成像工具FastSurfer,相信很多沒有經驗的人對此束手無策,為此本文總結了問題出現的原因和解決方法,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,但是搭復雜的樂高可能會困難一些,更別說不規則的腦部成像。多年以來,生物影像學的研究生院都致力于提高腦部成像檢測的成本與效率,這對解決腦部醫學問題非常重要。
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:
FastSurferCNN-一種先進的深度學習架構,能夠在不到1分鐘的時間內將全腦分割為95個類別,模仿了FreeSurfer的解剖學分割和皮質碎裂(DKTatlas);
recon-surf——基于FreeSurfer的全表面重建工作流,可在大約60分鐘內完成皮質表面重建,皮質標簽映射以及傳統的逐點和ROI厚度分析。
重建大腦?只知道FreeSurfer可不行,或許你該試試FastSurfer!
傳統的神經圖像分析面臨著計算量大、耗時多的問題,很難進行推廣。FreeSurfer是現行醫療影像學中比較普遍使用的軟件,但在性能方便依舊有待優化。
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,準確的基于深度學習的神經影像方法,用于結構化人腦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小時左右的運行時間內)提供了完整的FreeSurfer替代方案。
就運行速度而言,一個完整的FreeSurfer運行在CPU上大約需要7小時(并行4小時),具體取決于圖像質量,疾病嚴重程度等。FastSurfer僅在1分鐘內(在GPU上,在CPU上14分鐘)就實現了體積分割(皮下和皮層區域),在1.7小時(并行0.9小時)內完成包括皮層ROI厚度測量在內的表面處理,包括球形配準,在CPU上3.7小時(平行1.6小時)內對表面貼圖進行潛在的后續組分析。
在OASIS1重測數據集的測試中,FastSurfer的表現相對較好,其ICC(組內相關系數)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,皮質厚度的差異更加明顯,即敏感性更強烈。
測試中,FastSurfer不但比傳統方法快幾個數量級,且提高了可靠性和敏感性。因此是成為將來進行大規模分析任務的可靠工具。
FastSurferCNN:深度學習架構讓機器能夠將全腦分割為95個類別
深度學習框架第一個要做的工作就是提供準確的3D全腦分割。研究人員利用一種新穎的光譜方法(使用Laplace特征函數快速繪制皮層)執行皮質表面重建和快速球面映射。
上圖顯示了FastSurfer網絡體系結構。該網絡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以標準化原始輸入。
對于FastSurferCNN,這個深度學習框架第一個要做的工作就是提供準確的3D全腦分割。研究人員利用一種新穎的光譜方法(使用Laplace特征函數快速繪制皮層)執行皮質表面重建和快速球面映射。
數據集訓練時,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名受試者進行驗證。訓練集在性別,年齡,診斷方面是平衡的,并且涵蓋了其他各種參數(即掃描儀,場強和采集參數)。
訓練圖像中足夠的解剖結構和采集多樣性可以提高網絡的魯棒性,通用性,并最終在大多數看不見的掃描中提高分割精度,而無需微調模型權重。
recon-surf:重建大腦
在利用深度學習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:拓撲表面缺陷的數量,所產生的表面三角形網格的平均質量。
使用移動立方體構造曲面時,FreeSurfer模塊的工作流中的平均缺陷數(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。
看完上述內容,你們掌握怎樣深度學習腦部成像工具FastSurfer的方法了嗎?如果還想學到更多技能或想了解更多相關內容,歡迎關注億速云行業資訊頻道,感謝各位的閱讀!
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。