编辑推荐：
在神经科学研究和临床应用中，准确高效地从磁共振成像（MRI）估算皮质厚度至关重要。传统的基于微分同胚配准的皮质厚度估计（DiReCT）存在计算时间长和可重复性有限的问题。研究人员提出新框架，实验结果显示其在时间效率和与 FreeSurfer 的一致性上表现更优，推动了相关领域发展。
在神经科学的广阔领域里，大脑就像一座神秘的宝藏库，吸引着无数科研人员去探索其中的奥秘。皮质厚度，作为大脑的一项关键宏观特征，就像是一把解锁众多神经疾病谜团的钥匙。它被定义为灰质与白质界面（GWI）和灰质与脑脊液界面（GCI）之间的距离，其变化与多种脑部疾病紧密相连，如阿尔茨海默病（AD）、自闭症、抑郁症、阻塞性睡眠呼吸暂停等。通过精确测量皮质厚度，科研人员有望更深入地了解这些疾病的发病机制，为早期诊断和个性化治疗提供有力支持。
然而，从磁共振成像（MRI）中准确且可靠地测量皮质厚度并非易事。手动测量不仅耗费大量人力，还因组织边界识别困难而难以实现。为此，科研人员开发了多种自动计算皮质厚度的方法和软件包，像 FreeSurfer、ANTs 等。其中，基于微分同胚配准的皮质厚度估计（DiReCT），作为一种传统的重要方法，虽被广泛应用，但计算过程极为耗时，在大规模研究或实时环境中的应用受到极大限制。此外，它还容易受到分割精度等因素的影响，导致厚度估计不准确。后来，卷积神经网络（CNNs）被引入这一领域，在一定程度上改善了情况，但传统的基于梯度下降优化的微分同胚配准依旧是个 “老大难” 问题，阻碍着该技术的实际应用。
为了突破这些困境，推动皮质厚度估计技术的发展，研究人员开展了一项极具创新性的研究。他们提出了一种全新的皮质厚度估计框架，充分利用深度学习技术，将解剖分割和微分同胚配准巧妙结合，致力于实现快速、准确的皮质厚度估算。这项研究成果发表在《Computerized Medical Imaging and Graphics》上，为神经科学研究和临床应用带来了新的曙光。
在研究过程中，研究人员运用了多个关键技术方法。首先，对 MRI 图像进行预处理，将其大小调整为 256×256×256 mm3，分辨率设为 1×1×1 mm3 并添加特定信息到图像头文件。之后，使用 SegNet 进行白质（WM）和灰质（GM）的分割。接着，从分割得到的白质掩码和灰白质掩码生成有符号的 Maurer 距离图，并将其输入到基于无监督学习的配准网络中，进行快速的微分同胚配准。最后，通过一种基于不同时间点微分同胚的新算法来计算最终的厚度图。
实验结果
- 时间效率对比：研究人员将新方法与传统的 DiReCT 以及 DL+DiReCT 方法进行对比。结果显示，新方法在计算皮质厚度时，显著缩短了计算时间，大大提高了时间效率，这为大规模数据集的处理和实时应用提供了可能。
- 与 FreeSurfer 的一致性：在与广泛使用的 FreeSurfer 软件的一致性方面，新方法表现出色。在测量全局平均厚度和厚度年度萎缩率时，新方法与 FreeSurfer 的结果具有更高的一致性，这表明新方法在准确性上更具优势，能够更可靠地反映皮质厚度的真实情况。
研究结论和讨论
研究人员提出的基于深度学习的皮质厚度估计框架，成功解决了传统方法存在的计算时间长和可重复性有限的问题。通过引入基于无监督学习的多分辨率微分同胚配准模型和新的厚度传播算法，不仅实现了快速的皮质厚度估算，还提高了估算结果的准确性和可靠性。这一成果对于神经科学研究和临床应用意义重大，它能够助力科研人员更高效地分析大规模的 MRI 数据，为脑部疾病的早期诊断和病情监测提供更精准的依据。同时，也为后续相关领域的研究开辟了新的方向，有望推动整个神经科学和医学影像领域的进一步发展。
