The Developing Human Connectome Project: A Fast Deep Learning-based Pipeline for Neonatal Cortical Surface Reconstruction

这篇文章介绍了一种快速的基于深度学习的方法，用于从结构性脑磁共振（MR）图像中提取高质量的新生儿皮质表面，以探索产前期间人脑的发育模式。当前该流程的实现需要超过6.5小时才能处理单个MRI扫描，这使得它对于大规模神经影像学研究来说成本昂贵。本文提出了一种快速的基于深度学习的流程，将DL-based脑提取、皮质表面重建和球形投影以及GPU加速的皮质表面充气和皮质特征估计相结合。我们引入了一个多尺度变形网络，从T2加权脑MRI中端到端地学习了可微形式的皮质表面重建。集成了一种快速的无监督球形映射方法，以最小化皮质表面和投影球之间的度量畸变。我们的基于深度学习的dHCP流程的整个工作流程仅需要在现代GPU上完成24秒，比原始dHCP流程快近1000倍。手动质量控制表明，在测试样本的82.5％中，我们的基于深度学习的流程生成的皮质表面质量优于原始dHCP流程的54.2％，或者与原始dHCP流程相当（28.3％）。

提高人类胎儿期脑部磁共振成像数据处理效率，使其适用于大规模神经影像学研究。

提出基于深度学习的人类胎儿期脑部皮层表面重建快速处理流程，包括DL的脑部提取、皮层表面重建和球形映射，以及GPU加速的皮层表面膨胀和皮层特征估计。

提出的处理流程在现代GPU上仅需24秒完成，比原始处理流程快近1000倍；82.5%的测试样本中，与原始处理流程相比，DL处理流程产生了更高质量的皮层表面。

最近的相关研究包括：1.使用自动分割技术进行胎儿期脑部皮层表面重建；2.使用深度学习进行脑部图像分割和皮层表面重建；3.使用多模态图像进行脑部分割和皮层表面重建。