编辑推荐：
在医学领域，将 MRI 扫描转化为 3D 可打印网格的传统方法繁琐耗时且软件安装困难。研究人员开展了关于开发 brain2print 网络应用的研究。结果显示该工具能快速生成 3D 打印脑模型。这提升了 3D 打印在教育、临床和研究中的可及性。
在医学研究和教育领域，3D 打印技术的应用越来越广泛，尤其是在解剖学教学、外科医生培训以及帮助人们理解复杂解剖结构方面，它发挥着重要作用。通过 3D 打印，能将医学影像转化为实体模型，让复杂的人体结构变得直观可见。然而，当前将医学数据，特别是脑成像数据转化为 3D 可打印网格的过程却困难重重。
传统的方法需要依次使用多个独立的桌面软件，像 FreeSurfer 用于估计皮质表面、meshgeometry 转换网格格式、VCGLib tridecimator 简化网格、MeshLab 再次转换网格格式以及 netfabb 修复几何形状等 。整个流程不仅耗时 “数小时”，软件安装也障碍重重。FreeSurfer 需要许可证，且原生不支持 Windows 操作系统；VCGLib 必须从源代码编译；netfabb 更是变成了商业软件。NiftyWeb 虽提供了基于云的解决方案，但用户需上传数据，存在隐私风险，且处理时间长，生成的图像还常有错误，不借助额外工具根本无法打印。这些问题严重阻碍了 3D 打印技术在医学领域的进一步推广和应用。
为了解决这些难题，来自美国南卡罗来纳大学（University of South Carolina）、Fideus Labs、英国牛津大学（University of Oxford）、美国佐治亚州立大学（Georgia State University）、佐治亚理工学院（Georgia Institute of Technology）和埃默里大学（Emory University）的研究人员，共同开发了一款名为 brain2print 的网络应用程序。该研究成果发表在《Scientific Reports》上。
研究人员在开发 brain2print 时，主要运用了以下关键技术方法：
首先，利用 BrainChop AI 推理模型对原始 MRI 扫描数据进行脑区分割。这些模型借助用户本地的图形处理单元（GPU）进行推理，能提供跨平台和跨硬件的解决方案。其次，将分割后的体素（voxel）转换为三角网格（triangulated mesh）。在这个过程中，前期利用 WebGL 和 TensorFlowJS 技术，借助用户的 GPU 加速 AI 模型的运行；后期的体素到网格转换则主要依赖中央处理器（CPU）。此外，使用 NiiVue 来加载和显示图像，它支持多种常见的医学图像格式，还能对生成的网格进行交互式检查和优化，最后将处理好的网格保存为适合 3D 打印的格式。
下面来看看具体的研究结果：
- 分割和转换时间：研究人员在三种不同配置的计算机上进行测试，分别是高端 Linux 工作站（配备 AMD Threadripper 7995WX 处理器和 NVidia RTX 4090 显卡）、中端苹果 MacBook Pro 笔记本电脑（搭载 M2 Pro 处理器和集成显卡）以及老旧的苹果笔记本电脑（采用 Intel Core i5 - 8259U 处理器和集成显卡） 。结果发现，所有计算机都能在数秒内完成脑部图像的分割和体素到网格的转换任务。不同的 AI 分割模型在不同硬件上的运行时间虽有所差异，但整体都非常迅速。
- 模型打印测试：研究人员使用多个 T1 加权 MRI 扫描数据创建脑网格模型，并通过 Bambu Lab X1 Carbon 和 PS1 3D 打印机，利用 Bambu Studio 切片软件进行打印测试，所有模型都能顺利打印，没有出现任何问题。
在研究结论和讨论部分，brain2print 的优势十分显著。它为用户提供了一种快速、便捷且安全的方式，能将基于体素的脑部 MRI 扫描转换为适合 3D 打印的三角网格模型。该工具不仅能在数秒内生成模型，而且无需任何额外工具就能创建出高质量的网格，大大简化了 3D 打印脑模型的流程。
不过，brain2print 也存在一定的局限性。目前其提供的 AI 模型仅适用于头部的 T1 加权 MRI 扫描，无法用于其他成像模态（如 T2 加权 MRI、CT 扫描）或不同的解剖部位（如躯干） 。为了弥补这一不足，研究人员开发了 ct2print，适用于通过体素强度就能区分组织边界的情况，像 CT 扫描数据处理。此外，由于并非所有设备都具备运行 AI 模型的资源，且部分浏览器会限制图形功能以保护用户隐私，导致难以自动判断设备是否能运行特定模型。为此，brain2print 设置了下拉菜单，让用户可以根据硬件情况选择合适的模型。
从长远来看，研究人员希望其模块化和开源的设计能吸引更多开发者进行拓展，开发出适用于其他应用的 AI 模型。brain2print 不仅能推动 3D 打印在医学领域的应用，其框架还能支持更广泛的用途，如模拟脑刺激或增强头皮记录信号的源定位等 。总之，brain2print 为医学 3D 打印带来了新的解决方案，为教育、临床和研究提供了有力支持，也为未来 AI 与网络应用在医学领域的融合发展开辟了新方向。
