deepmriprep: Voxel-based Morphometry (VBM) Preprocessing via Deep Neural Networks

Voxel-based Morphometry（VBM）已成为神经影像学研究中的一种强大方法，自2000年以来已被应用于超过7,000项研究。利用磁共振成像（MRI）数据，VBM评估大脑组织局部密度的变化，并检查其与生物学和心理测量变量的关联。在这里，我们介绍了deepmriprep，这是一个基于神经网络的流程，使用深度神经网络对T1加权MR图像执行所有必要的VBM分析预处理步骤。利用图形处理器（GPU），deepmriprep比CAT12（领先的VBM预处理工具箱）快37倍。该方法在超过100个数据集上与CAT12在组织分割和图像配准方面的准确性相当，并显示出VBM结果的强相关性。来自deepmriprep的组织分割映射与地面实况映射的一致性超过95％，其使用受监督的SYMNet进行的非线性配准预测的平滑变形场与CAT12相当。deepmriprep的高处理速度使得可以快速预处理大量数据集，从而促进将VBM分析应用于大规模神经影像学研究，并打开实时应用的大门。最后，deepmriprep的简单模块化设计使研究人员能够轻松理解、重复使用和推进底层方法，促进神经影像学研究的进一步发展。deepmriprep可以方便地安装为Python软件包，并可在https://github.com/wwu-mmll/deepmriprep上公开访问。

本论文旨在提出一种基于深度神经网络的VBM图像预处理流程，以加快大规模神经影像研究的速度。

论文提出了deepmriprep，一个基于神经网络的VBM图像预处理流程，使用GPU进行加速，比当前领先的CAT12预处理工具箱快37倍，并在组织分割和图像配准方面与CAT12相当精确。

论文使用了超过100个数据集进行验证，结果表明deepmriprep的组织分割和图像配准与CAT12相当精确，其处理速度比CAT12快37倍。此外，deepmriprep的设计模块化，易于理解和推广，可以方便地安装为Python包，并且在GitHub上公开可用。

最近的相关研究包括使用深度学习进行MRI图像分割和配准的其他方法，例如DeepMedic和VoxelMorph。