FastSurfer github: https://github.com/Deep-MI/FastSurfer
FastSurfer簡介
FastSurfer, 一個快速而准確的基於深度學習的神經醫學影像處理管道. 可以實現進行volumetric分析(在GPU上1min), 和在surface上的皮層厚度分析(約1hour). 可以很好地替代Freesufer的處理管道.
主要包含:
1. FastSurferCNN . 一種先進的深度學習框架, 可以在1min內把全腦分割成95類, 類似實現FreeSurfer的結構分割和皮層分割(DKT模板)
2.recon-surf. 完全替代FreeSurfer的皮層表面重建, 皮層標簽映射以及傳統的vertex層級和ROI層級的皮層厚度分析, 用時大約60min.
在github的庫中, 提供單獨的FastSurferCNN(僅分割)和recon-surf(僅surface處理)的代碼和Docker文件, 也可以通過run_fastsurfer.sh 來實現完整的處理過程.
用法
可以 a)本地安裝使用,也可以 b)使用docker容器
a)本地安裝使用
1. 系統要求: 在Linux系統(比如Ubuntu16.04 或Centos 7)
2. Python3 及必要的python庫(詳見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來構建鏡像(詳見README.md), 不需要額外安裝其他東西(比如FreeSurfer等軟件).
主要的腳本文件為 run_fastsurfer.sh, 可以依次運行FastSurferCNN和recon-surf. 也可以通過命令行的一些選項來進行特別的配置. 使用 -help 查看如何配置.
./run_fastsurfer.sh --help
必要的參數
- --sd: 設置$SUBJECTS_DIR, recon生成的文件會放在 $SUBJECTS_DIR/sid/mri..., $SUBJECTS_DIR/sid/surf 下面, 和FreeSurfer一樣.
- --sid: Subject ID
- --t1: 帶header的T1數據(即結構像), 深度學習網絡是在(256,256,256), 分辨率為1mm的圖像上進行訓練的, 所以如果你的輸入文件不符合這個尺寸, 會自動把T1變換到這個尺寸上(類似FreeSurfer里的--conform參數的效果).
使用docker時, 需要指定FreeSurfer 的許可
- --fs_license: FreeSurfer許可秘鑰文件
獲取FreeSurfer 許可(是免費的)
在官網注冊 https://surfer.nmr.mgh.harvard.edu/registration.html
還有很多配置和參數不翻譯了, 看help就完了, 非常簡單好懂.
使用例子1
# Source FreeSurfer
# 如果你之前沒有本地運行過FreeSurfer, 需要進行環境變量的配置 export FREESURFER_HOME=/path/to/freesurfer/fs60 source $FREESURFER_HOME/SetUpFreeSurfer.sh # Define data directory
# 這一步不是必要的,你也可以在實際運行的地方輸入絕對路徑 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 $fastsurferdir \ --parallel --threads 4
運行完成之后, 輸出在$fastsurferdir里面, 包含:
$fastsurferdir/subject1/mri/
aparc.DKTatlas+aseg.deep.mgz # 全腦分割結果(DKT模板)
加入引用
注意標注引用
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