《Neuroinformatics》：Optimizing Photogrammetry Parameters for 3D Reconstruction of Fresh Brain Specimens
编辑推荐：
光度测量（Photogrammetry）已成为医学和研究领域从二维（2D）图像生成高保真三维（3D）模型的重要工具。然而，成像和处理参数的优化仍然是一个挑战，特别是对于新鲜脑标本（Fresh Brain Specimens），其中重复成像是不可行的。研究人员系
光度测量（Photogrammetry）已成为医学和研究领域从二维（2D）图像生成高保真三维（3D）模型的重要工具。然而，成像和处理参数的优化仍然是一个挑战，特别是对于新鲜脑标本（Fresh Brain Specimens），其中重复成像是不可行的。研究人员系统评估了各种Metashape对齐（Alignment）设置对3D重建结果的影响，分析了12,600种配置组合和63,000次对齐（Alignments）。研究结果表明，最佳成像设置由四组照片组成：两组在解剖位置捕获（与大脑水平及高于大脑30 cm处，相机倾斜30°），另两组相同设置但基底侧朝上。每次拍摄之间大脑应旋转3°，每组生成120张图像。初始处理应在Metashape中使用中等精度（Medium-precision）对齐且不应用掩膜（Masks）进行。若对齐失败，研究人员建议为每张图像生成一个掩膜，描绘大脑边界，并将掩膜应用于关键点（Key Points）。值得注意的是，更高的图像密度仅在选择将掩膜应用于检测到的特征（Detected Features）时才能提高对齐可靠性，且可能仅增加处理时间。研究人员还观察到相同条件下对齐结果的变异性，表明Metashape具有固有的随机（Stochastic）成分。因此，在修改成像参数之前，应重复失败的对齐操作。据研究人员所知，这是第一项使用转盘（Turntable）系统定义新鲜脑3D光度测量（Photogrammetry）最佳成像和处理参数的研究。未来研究应侧重于确定确保高质量重建所需的最小图像数量。
该研究发表于《Neuroinformatics》，针对新鲜脑标本因离体后迅速降解而无法重复成像的特性，传统依赖固定组织的光度测量（Photogrammetry）流程存在组织收缩变形达百分之六十的伪影干扰，且现有文献缺乏针对转盘（Turntable）工作流及Metashape软件对齐（Alignment）阶段参数的系统性优化方案，导致单次拍摄成功率低且数字档案质量不可控。研究人员旨在填补这一知识空白，通过大规模参数组合测试，确立适用于脑库（Brain Banking）快速单次通行文档记录的最优成像与处理参数，以提升神经解剖学数字存档的再现性与效用。
研究人员从神经科学组安蒂奥基亚（Neuroscience Group of Antioquia, GNA）神经银行数据库中选取2020至2021年捐赠的10例大脑作为样本队列，使用Canon EOS 60D相机与定制转盘（每3°增量拍摄，每圈120步）获取约480张照片每脑。关键技术方法包括：在Agisoft Metashape中系统测试12,600种配置组合（涵盖四组拍摄角度A-D、七种图像密度30至120张、三种掩膜应用模式及五种对齐精度），每种配置重复渲染五次以评估随机（Stochastic）变异性共计63,000次对齐；定性评估采用两名评分者独立对稀疏点云（Sparse Point Cloud）分类为CROR、CpROR、CnROR及对相机对齐（Alignment）分类为AC、AP、AI；定量评估通过Metashape API提取匹配特征数、均方根（Root Mean Square, RMS）重投影误差、有效投影数等指标；下游完整管道生成稠密点云、网格与纹理，并使用MeshLab测量相对参考模型的RMS顶点距离以评估几何精度。
Point Cloud Evaluation
研究人员对63,000个点云的定性评估显示，22.25%为CROR（Clouds that Represent Objects of Reference），6.61%为CpROR（Clouds that Partially Represent Objects of Reference），39.54%为CnROR（Clouds that not Represent Objects of Reference）。定量分析表明CROR模型的匹配特征数显著更高（约33,000 vs 4,000-6,000），每照片有效投影数更高（约1,534 vs 372-419），处理时间居中且稳定（约1.5分钟）。最终几何精度（RMS顶点距离）在各组间无显著差异（p=1）。
Alignment Evaluation
在63,000次对齐中，17.52%为AC（Correct Alignments），4.28%为AP（Partial Alignments），50.11%为AI（Incorrect Alignments）。AC模型匹配特征数最高（约33k），RMS点误差较低（约2 mm），AI误差较高（约3.75 mm）。处理时间AP最长（约4.1分钟），AC次之（约1.6分钟）。最终几何精度在对齐类别间无显著差异（p=1）。
Point cloud vs. Alignment
卡方检验显示对齐评估与点云评估存在统计学显著关系（p<0.001），Cramer’s V=0.3141，呈非常强相关性。AC与CROR直接正相关，AI与CnROR直接正相关，AI与CROR及AC与CnROR呈负相关。
Complete Model Evaluation
12,600个完整模型中，初评11.10%为MROR（Models that Represent the Object of Reference），6.60%为MaROR（Models that Approximately Represent the Object of Reference），经资深作者复核后合并MROR/MaROR占17.70%。MROR/MaROR匹配特征数约30k-32k，显著高于MpROR/MnROR（约8k-10k）；RMS点误差MROR/MaROR约2 mm，MnROR达3.88 mm；最终RMS顶点距离MaROR（0.82 mm）略低于MROR（1.15 mm），均在相似精度范围。
Complete Model vs. Point Cloud and Alignment
对齐质量与最终模型质量相关性非常强（合并MROR/MaROR时Cramer’s V=0.448），点云评估相关性更强（Cramer’s V=0.525），表明CROR是成功重建的强预测因子，CROR情况下获MROR或MaROR概率为62.3%。
Photo Capture Angle
配置B（高30 cm倾30°）和C（基底朝上同B）与CROR呈正相关（0.064, 0.076），A（平视）和D（基底朝上平视）呈负相关（-0.064, -0.073）。A/D虽成功率低但成功时几何更可靠。各角度下MROR与CROR定量行为一致。
Number of Photos
照片数与CROR相关性可忽略（Cramer’s V=0.02）。匹配特征数随照片增加从30张约12k升至120张约50k-58k，但RMS顶点误差稳定（约0.8-1.2 mm）无显著差异，处理时间从0.6分钟增至2.8分钟。增加照片数提升特征密度但不改善最终表面精度。
Photo’s Density
连续与可变密度（92/46 vs 90/40）相关性弱（Cramer’s V=0.06），可变密度仅微弱关联CpROR（0.011）。相邻数量（40-46, 90-92）在匹配特征、对齐比、处理时间及几何误差均无显著差异。
Number of Masks Applied
掩膜数与点云评价相关性弱（Cramer’s V=0.07）。每图一掩膜（1/01）较稀疏掩膜（1/07等）匹配特征增约16%，RMS顶点距降约0.4 mm（约35%），其他掩膜频率间无差异。CROR与MROR表现等效。
Masks Configurations
掩膜配置相关性较强（Cramer’s V=0.24）。无掩膜（N）与关键点（Key Points）掩膜正向关联CROR（0.014, 0.075），关联点（Tie Points）掩膜负向（-0.086）。关键点掩膜在CROR中比关联点掩膜快约23%。关键点掩膜与无掩膜匹配特征约37k-40k，关联点掩膜降至约30%。
Post Hoc Masks Number on Masks Applied to Key Points
关键点掩膜亚组中，掩膜数与CROR呈中度相关（Cramer’s V=0.13），每图一掩膜正向（0.041），无掩膜负向（-0.015），中间频率未超阈值。
Alignment Precision
对齐精度与点云评价相关性较强（Cramer’s V=0.17）。CROR负关联最低精度（-0.039），正关联中（0.024）高（0.020）精度；CnROR相反。最高、高、中精度匹配特征稳定，低精度减半，最低至8%；处理时间降75-80%；几何精度仅最低精度稍劣。
Alignment Variability
12,600组中32.66%无变异性（SD=0），33.99%低变异（01）。RMS点误差变异中位数极小但高分位增大；有效投影每匹配特征等结构指标较稳；处理时间离散度低且一致。
Probability
最优配置（92图、每图一掩膜、关键点掩膜、最高精度）获MROR/MaROR概率45%。前50优配置中47用关键点掩膜，39含≥90图，支持高密度图+检测特征掩膜模式。
Post Hoc Photo Number with Masks Settings
关键点掩膜亚组中，照片数与CROR中度相关（Cramer’s V=0.135），120与92图正向（+0.018,+0.014），40与30图负向（-0.015,-0.025）。
讨论部分指出半自动拍摄存在人为遗漏与模糊问题，全自动化是方向。SfM（Structure-from-Motion）平均1.07分但极值差大需防无限对齐。定性评估一致性约68-72%，仅约1/5模型满意对齐。CROR与AC共享高匹配特征与投影、适中时间。云与对齐强相关但非绝对，后续管道仍关键。角度假设证实B/C优于A/D因表面积大。照片数无掩膜时无关，关键点掩膜时120/92图改善但几何无差且耗时增3倍，40图省13分摄时与掩膜工时。掩膜呈全或无效，关键点掩膜无损时耗，关联点掩膜未按背景法用待研。精度呈双峰：最高与中优，高无优，建议中用省时。Metashape具内在随机（Stochastic）成分，失败应重对齐非改参数。参考模型有人为偏倚未来需MRI金标。
结论部分翻译：研究人员进行了总计12,600种配置组合和63,000次对齐（Alignments），从而确定点云准确代表参考对象的对齐（Alignments）与被视为满意的最终模型呈中度相关。基于研究结果，研究人员推荐优化的成像参数包括四组照片：两组在解剖位置与大脑同水平及高于大脑约30 cm处、相机倾斜约30度捕获；另两组相同配置但大脑基底侧朝上。理想情况下大脑每次拍摄间旋转3°，每组产生120张图像。然而当时间受限时，减少至每组40张图像是可行替代方案，约降低三分之一获得满意模型的概率，同时大幅减少图像采集与处理时间。对于初始处理，研究人员建议在Agisoft Metashape中不应用掩膜（Masks）并使用中等（Medium）精度设置生成3D模型。然而若对齐（Alignment）失败，替代方案包括为每张图像应用一个掩膜（Mask），描绘大脑边界并利用基于关键点（Key Points）的掩膜（Masking）。据研究人员所知，这是首项使用转盘（Turntable）系统分析新鲜脑3D光度测量（Photogrammetry）成像与软件配置以优化的研究，并为神经解剖光度测量（Photogrammetry）提供具体技术建议。未来研究需确定维持模型质量而不妥协精度所需的最少图像数。
