刘河生教授团队开发更高效、更准确的基于磁共振图像的大脑皮层重建技术

2022年3月，刘河生教授团队开发了一种高效的大脑皮层重建方法，论文 “Fast cortical surface reconstruction from MRI using deep learning” 发表在神经计算科学期刊Brain Informatics。该基于深度学习的创新性算法FastCSR (fast cortical surface reconstruction )，克服了传统FreeSurfer皮层重建耗时长的瓶颈，将原长达数小时的皮层重建时间缩短到5分钟内，将全数据预处理流程效率提升约47倍，对于大规模的脑影像数据处理可以节省大量的算力和时间成本。同时FastCSR皮层重建质量优于传统算法，更适用于低数据质量和脑部有变形的患者（脑肿瘤、脑卒中、脑手术等）的皮层重建过程。FastCSR能够提升科研、临床影像数据分析效率，为脑影像领域的大样本研究提供了更加高效、节俭的方法。

三维空间中的大脑皮层可以看作是由二维空间的皮层表面折叠而成，具有高度个性化的沟回结构。在神经科学的基础研究和临床应用中，对大脑进行MRI扫描后需要进行基于影像数据的皮层重建。现阶段广泛使用的皮层重建技术基于FreeSurfer，计算时间长达数小时，科研和临床工作中仍缺乏能够进行快速处理的大脑皮层重建技术。该研究团队基于深度学习技术通过3D U-Net模型学习T1图像中皮层表面的隐式表示，再基于学习到的隐式表示进行皮层重建，创新性的开发了一种快速皮层重建方法。

研究人员将FastCSR与当前主流方法FressSurfer、FastSurfer在同样的硬件条件下进行计算对比验证。在包含162名被试的数据集上，使用串行 FreeSurfer 和 FastSurfer 处理流程 进行皮层重建耗时分别为45.06±63.86 min 和 33.64±16.42 min ，而使用FastCSR仅需要5.22±0.92 min；与此同时，并行 FastCSR处理流程可以同时进行大脑双侧半球的计算处理，进一步将计算时间缩短到2.61±0.46 min，大幅提升效率。研究人员分别对三种算法的时间稳定性指标CVPT进行比较，CVPT指标表明FastCSR具有更高的处理时间稳定性。不仅如此，研究人员也对比了整个图像预处理流程的计算时间（含皮层重建步骤），并行状态下Fast CSR算法完成整个数据流程仅需4.44 ± 0.46 min，约47倍快于FreeSurfer (207.19±62.22 min) ，约7倍快于FastSurfer (29.59 ± 9.08 min) ，显著节省计算时间，提高计算效率。研究人员进一步比较了图像分辨率对不同算法处理时间的影响，使用FreeSurfer算法对0.7mm高分辨率T1图像进行皮层重建耗时507.32±470.62 min，17倍慢于其对1.0mm低分辨率T1图像的皮层重建耗时(30.26±59.15 min)；而使用FastCSR算法对0.7mm高分辨率T1图像进行皮层重建耗时(3.93±0.06 min)，1.5倍慢于其对1.0mm低分辨率T1图像的皮层重建耗时(2.61±0.46 min)，证明FastCSR对于高分辨率图像的皮层重建仍然具有优势。

研究人员比较了FastCSR与FreeSurfer皮层重建结果的几何结构，两种算法的几何结构高度一致，皮层边界高度重合。

为了量化重建结果的相似性，研究人员对比了FastCSR、FastSurfer两种方法的皮层重建结果相比于FreeSurfer重建结果的平均位移（average displacement），数据显示，这两种方法与FreeSurfer重建结果的差异位置主要位于眶额叶、距状裂、中央前回和中央后回；但是平均位移很微小，最大的位移小于0.5mm，不到半个体素大小；同时两种算法的位移具有显著相关性（Spearman’s ρ=0.71, p<0.001），而在外侧回和视觉皮层FastSurfer的位移显著大于FastCSR。

研究人员同时比较了FastCSR、FreeSurfer两种方法的皮层重建结果的网格质量，结果证明FastCSR的皮层重建具有更高的网格质量。

由于FastCSR采用深度学习方法，依赖于训练数据库，需要验证相较于训练模型中不曾出现过的不同特质数据，该算法能否同样适用。研究人员利用新增的30位ASD被试和30位健康被试（更高分辨率）的数据进行验证，结果表明FastCSR和FreeSurfer所重建的皮层厚度和沟回深度具有高度的一致性。在ASD数据组（ABIDE），有0.07%的顶点皮层厚度具有差异，沟回深度有2.44%的顶点具有差异异，差异点主要位于脑岛、中央前回、眶额叶；同样的，正常被试数据组（HCP）皮层厚度有2.16%的顶点具有差异，沟回深度有5.87%的差异。

研究人员也对新数据组的解剖结构分区计算进行验证对比，分别用两种算法对34个解剖学分区进行剖分，在ASD数据组，95.59%分区的Dice系数大于0.9，表明具有高度的一致性；在正常被试数据组，94.12%分区的Dice系数大于0.9；结果证明FastCSR对于未知数据集，仍具有良好的适用性，具有普适性。

研究人员进一步验证了算法的稳定性。在同一被试接受10次重复T1扫描的公开数据集（CoRR-HNU）上对比FastCSR和FreeSurfer的皮层重建结果，结果显示FastCSR在皮层厚度、沟回深度及解剖分区Dice指标上的稳定性显著高于FreeSurfer；证明FastCSR对相同被试的多次扫描重建结果具有较好的稳定性。

研究人员进一步测试了针对较差影像质量或有脑损伤被试影像数据重建效果，结果显示在对一些影像质量较差的数据进行皮层重建后，FreeSurfer在中央前回和中央后回边缘出现锯齿状，而FastCSR重建出的图像则更加平滑；表明FastCSR可适用于低质量影像数据的皮层重建。对具有脑损伤患者（如脑卒中、脑外伤、脑肿瘤）的影像数据进行重建是具有重要意义但仍是难以解决的挑战。研究人员尝试对3名脑卒中损伤患者影像进行重建，使用FastCSR能够成功进行皮层重建，且能看到脑损伤区域，而FreeSurfer无法完成重建，证明FastCSR可用于脑损伤患者的影像数据重建，对于临床上经常遇到的脑部有变形的患者进行皮层重建的问题，提供了一种可行的解决方案。

研究团队基于深度学习创新性开发了一种皮层重建技术FastCSR，与同类处理方法相比，大幅提升重建效率，具有更高质量的图像处理性能的同时兼备普适性和稳定可重复性，并适用于低数据质量和脑部有变形的患者（脑肿瘤、脑卒中、脑手术）的影像数据处理，对临床中需要进行快速且准确皮层重建的应用场景提供了一个新技术。

详情阅读InformaticsBrain Informatics期刊《Fast cortical surface reconstruction from MRI using deep learning》论文原文，期刊原文链https://braininformatics.springeropen.com/articles/10.1186/s40708-022-00155-7

原创声明：文章主要内容原始材料以英文撰写，北京优脑银河科技有限公司翻译为中文并经过编辑以便在微信发布。未经北京优脑银河有限公司书面许可，上述内容不得以任何形式复制或发布。

点击“阅读原文” 查看原版论文