社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

MIA: 深度学习将大脑皮层配准提速12000倍,仅需0.2秒

brainnews • 2 年前 • 643 次点击  

1 (增补印刷)神经科学实用图书推荐——《鼠脑应用解剖学》【科学出版社】

2 科研工具书《精神疾病啮齿类动物模型及行为学实验》 崔东红/徐林著 

3 重磅新书推荐 |《奈特神经病学》(第3版)

个体脑结构和功能影像的量化分析通常需要复杂的处理流程。而传统的脑功能影像数据处理方法效率低、可靠性较差,限制了个体化成像技术的实际临床应用。针对该问题,昌平实验室刘河生教授团队基于深度学习技术开发了一套全新的脑结构和功能影像数据的预处理流程DeepPrep,可以将传统数小时甚至十多个小时的预处理时长压缩到仅30余分钟,实现了更高效、更准确的脑影像预处理流程。


2024年5月,DeepPrep中针对个体脑皮层配准的核心技术SUGAR的相关研究发表于医学影像顶级期刊Medical Image Analysis(影响因子10.9),题为 “SUGAR: Spherical ultrafast graph attention framework for cortical surface registration”。



欢迎加入

脑成像学术讨论群

添加小编微信

brainnews_15

-留言:脑成像研究群-





大脑皮层球面配准是个体脑影像处理过程中的一个关键步骤,但传统配准方法存在耗时长、易失真等问题。刘河生教授团队创新性地提出了一种基于深度学习的超快速的大脑皮层球表面配准方法(SUGAR)。SUGAR相较于传统方法速度大幅提升了12,000倍,仅需0.2秒即可完成传统方法几十分钟的配准,并展现出了更低的失真度、更高的配准精度、和更稳健的可重复性等特点。因此,SUGAR在临床的个体化影像分析以及大规模神经影像研究中展现出了巨大的实际应用前景。


图1. SUGAR整体框架与流程


根据球化后大脑皮层表面独特的球面网格结构,研究团队开发了适用于球面网格数据的图网络模型,提出了全新的球面注意力网络S-GAT(spherical graph attention network),并结合了位置编码(positional encoding)来提升精度,再通过欧拉角(Euler angle)实现了刚性与非刚性变换(图1)。


另外,为了解决数十年来困扰着研究者的精度与失真的权衡难题,研究团队提出了同时考虑配准精度和多个针对不同类型失真的损失函数,以确保高配准精度的同时实现最小化失真程度、还可以确保拓扑结构的正确性。为了进一步提升模型的稳定性,研究团队还提出了一种适用于球面网络数据的数据增强方法,使模型输出更加稳定可靠,实现高可重复性。此外,研究团队还针对配准速度进行了优化。最终,SUGAR相较于其他方法表现出了速度快、精度高、失真低、可重复性强的优势。


研究团队在10,000余人的脑影像上进行了系统性的测试评估。SUGAR在CPU上完成一例数据的处理时间平均仅为2秒,而在GPU上更可以加速到0.2秒,是传统方法的12,000余倍,是其他深度学习方法的40倍。通过与4种传统方法和1种深度学习方法进行比较,团队发现SUGAR同时提升了配准精度并降低了失真度,突破了二者之间的“跷跷板”效应。此外,SUGAR的可重复性也更强,成功地保证了方法的可靠性。该方法一方面将有望促进脑影像大数据的研究,另一方面也将有望大幅提升临床患者的个体脑影像的处理效率和可靠性,为进行精准个体化干预奠定基础。


文章共同第一作者为昌平实验室博士后任建勋博士,工程师安宁;通讯作者为昌平实验室刘河生教授和任建勋博士。本研究受到了昌平实验室和中国博士后科学基金会资助。


团队长期从事个体脑功能影像研究,包括先进的数据处理方法、认知功能基础研究以及转化的神经调控研究等,昌平实验室配备了3T、7T通用核磁和9.4T动物核磁以及多型神经调控设备。团队长期招收认知神经科学、心理学、生物信息学等方向的博士后及助理工程师。如感兴趣请联系cplhr@cpl.ac.cn ;davidren555@outlook.com。


主要作者介绍:


刘河生教授:昌平实验室脑科学与类脑研究学部领衔科学家、北京大学生物医学前沿创新中心教授。曾任职于哈佛大学附属麻省总医院 Martinos 中心人脑个体差异实验室主任,美国南卡罗莱纳医科大学SmartState讲席教授。刘河生教授长期从事脑功能成像研究,是国际上把功能核磁推向临床应用的最主要贡献者之一。刘河生教授致力于应用功能核磁技术进行个体化神经影像研究,以期最终实现功能核磁技术的临床转化。目前已在国际核心刊物发表论文120余篇,包括以第一或通信作者身份在Nature Neuroscience, Neuron, Science Advances, Nature Communications, PNAS, JAMA Psychiatry, American Journal of Psychiatry, Annals of Neurology等综合类、神经科学、精神病学和神经病学领域重要期刊中发表多篇论文,文章总引用达20000余次。


任建勋博士:任建勋博士现任昌平实验室博士后,毕业于清华大学,哈佛医学院访问学者,长期从事个体脑功能影像和神经调控研究。以第一或通讯作者身份在Nature Communications、Annals of Neurology、Medical Image Analysis、Brain Stimulation(2篇)、Human Brain Mapping、Cerebral Cortex(2篇)等期刊上发表论文12篇,共发表论文20余篇,引用超800次,H-index 14。


SUGAR文章链接:

https://doi.org/10.1016/j.media.2024.103122


SUGAR文章模型与代码:

https://github.com/pBFSLab/SUGAR


DeepPrep预印本:

https://www.biorxiv.org/content/10.1101/2024.03.06.581108v1.full


DeepPrep网页:

https://deepprep.readthedocs.io/en/latest/


刘河生教授简介:

https://biopic.pku.edu.cn/zxpi/527814.htm



END

原文链接:

https://doi.org/10.1016/j.media.2024.103122



参考文献

Ren J, An N, Zhang Y, et al. SUGAR: Spherical ultrafast graph attention framework for cortical surface registration. Med Image Anal. 2024;94:103122. doi:10.1016/j.media.2024.103122


    如需投稿可添加主编微信:brainnews_01

    或联系邮箱:brainnews@vip.163.com

    本文版权归属作者团队,仅做分享


    Python社区是高质量的Python/Django开发社区
    本文地址:http://www.python88.com/topic/171180