FastSurfer github: https://github.com/Deep-MI/FastSurfer
FastSurfer简介
FastSurfer, 一个快速而准确的基于深度学习的神经医学影像处理管道. 可以实现进行volumetric分析(在GPU上1min), 和在surface上的皮层厚度分析(约1hour). 可以很好地替代Freesufer的处理管道.
主要包含:
1. FastSurferCNN . 一种先进的深度学习框架, 可以在1min内把全脑分割成95类, 类似实现FreeSurfer的结构分割和皮层分割(DKT模板)
2.recon-surf. 完全替代FreeSurfer的皮层表面重建, 皮层标签映射以及传统的vertex层级和ROI层级的皮层厚度分析, 用时大约60min.
在github的库中, 提供单独的FastSurferCNN(仅分割)和recon-surf(仅surface处理)的代码和Docker文件, 也可以通过run_fastsurfer.sh 来实现完整的处理过程.
用法
可以 a)本地安装使用,也可以 b)使用docker容器
a)本地安装使用
1. 系统要求: 在Linux系统(比如Ubuntu16.04 或Centos 7)
2. Python3 及必要的python库(详见requirements.txt)
3. bash4.0或更高版本
4. FreeSurfer(v6.0, https://surfer.nmr.mgh.harvard.edu/fswiki/rel6downloads)
b) 使用docker容器
使用提供的 Dockerfiles来构建镜像(详见README.md), 不需要额外安装其他东西(比如FreeSurfer等软件).
主要的脚本文件为 run_fastsurfer.sh, 可以依次运行FastSurferCNN和recon-surf. 也可以通过命令行的一些选项来进行特别的配置. 使用 -help 查看如何配置.
./run_fastsurfer.sh --help
必要的参数
- --sd: 设置$SUBJECTS_DIR, recon生成的文件会放在 $SUBJECTS_DIR/sid/mri..., $SUBJECTS_DIR/sid/surf 下面, 和FreeSurfer一样.
- --sid: Subject ID
- --t1: 带header的T1数据(即结构像), 深度学习网络是在(256,256,256), 分辨率为1mm的图像上进行训练的, 所以如果你的输入文件不符合这个尺寸, 会自动把T1变换到这个尺寸上(类似FreeSurfer里的--conform参数的效果).
使用docker时, 需要指定FreeSurfer 的许可
- --fs_license: FreeSurfer许可秘钥文件
获取FreeSurfer 许可(是免费的)
在官网注册 https://surfer.nmr.mgh.harvard.edu/registration.html
还有很多配置和参数不翻译了, 看help就完了, 非常简单好懂.
使用例子1
# Source FreeSurfer
# 如果你之前没有本地运行过FreeSurfer, 需要进行环境变量的配置 export FREESURFER_HOME=/path/to/freesurfer/fs60 source $FREESURFER_HOME/SetUpFreeSurfer.sh # Define data directory
# 这一步不是必要的，你也可以在实际运行的地方输入绝对路径 datadir=/home/user/my_mri_data fastsurferdir=/home/user/my_fastsurfer_analysis # Run FastSurfer ./run_fastsurfer.sh --t1 $datadir/subject1/orig.mgz \ --sid subject1 --sd $fastsurferdir \ --parallel --threads 4
运行完成之后, 输出在$fastsurferdir里面, 包含：
$fastsurferdir/subject1/mri/
aparc.DKTatlas+aseg.deep.mgz # 全脑分割结果（DKT模板）
加入引用
注意标注引用
Henschel L, Conjeti S, Estrada S, Diers K, Fischl B, Reuter M, FastSurfer - A fast and accurate deep learning based neuroimaging pipeline, NeuroImage 219 (2020), 117012. https://doi.org/10.1016/j.neuroimage.2020.117012