从临床磁共挔成像实现端到端皮层表面重建
图像与视频处理
2025-05-21 v1 计算机视觉与模式识别
摘要
基于表面的皮层分析对于各种神经影像任务（如空间标准化、分割和灰质（GM）厚度估计）具有重要价值。然而，大多数皮层表面估计工具仅能处理分辨率至少为1 mm各向同性的扫描，且针对特定磁共挻（MR）对比度（通常为T1加权，T1w）进行调校。这排除了大多数临床MR扫描的应用，因为它们在对比度和分辨率方面极其异质。本文我们利用合成域随机化数据训练了第一个能够从任何对比度和分辨率的扫描中显式估计皮层表面的神经网络，而无需重新训练。该方法通过变形模板网格来估计白质（WM）表面，从而保证拓扑正确性。该网格进一步变形用于估计GM表面。我们将方法与recon-all-clinical（RAC）——目前唯一能够处理异构临床MR扫描的隐式表面重建方法——在ADNI和大型临床数据集（n=1,332）上进行比较。我们显示，相对于RAC，皮层厚度误差约降低50%（从0.50 mm降至0.24 mm），且在高分辨率T1w扫描上更好地恢复了与FreeSurfer检测到的老化相关皮层变薄模式。该方法实现了临床扫描的快速准确表面重建，使能够进行（1）样本规模远超研究设置可行的研究，以及（2）难以招募研究者的临床人群研究。代码已公开于https://github.com/simnibs/brainnet。
引用
@article{arxiv.2505.14017,
title = {End-to-end Cortical Surface Reconstruction from Clinical Magnetic Resonance Images},
author = {Jesper Duemose Nielsen and Karthik Gopinath and Andrew Hoopes and Adrian Dalca and Colin Magdamo and Steven Arnold and Sudeshna Das and Axel Thielscher and Juan Eugenio Iglesias and Oula Puonti},
journal= {arXiv preprint arXiv:2505.14017},
year = {2025}
}
备注
11 pages, 4 figures