在现代医学研究中，神经影像技术尤其是磁共振成像（MRI），以其安全、无创、高分辨率的特点，成为检测大脑疾病和探索大脑奥秘的重要工具。然而，随着近年来影像数据量的爆炸式增长，传统神经影像预处理方法已难以满足快速和大批量处理的需求。
近日，昌平实验室刘河生课题组开发的DeepPrep技术，为这一领域带来了革命性的变革。研究成果于2025年2月6日在《Nature Methods》在线发表。
“大影像数据时代”，传统预处理方法难以支持研究发展
目前，神经影像的预处理主要依赖于FreeSurfer、SPM、FSL等工具，这些工具大多由英美等国家研究，且核心算法开发于20年前，最初是为了处理小样本数据而设计的。在如今的“大影像数据时代”，这些工具的处理速度慢、计算效率低的问题愈发明显，阻碍了数据处理和分析的效率。此外，传统方法在处理脑损伤的影像数据时也存在困难，例如脑卒中、脑肿瘤、脑外伤等，这限制了神经影像在临床中的进一步应用。
公开可获取的神经影像数据呈指数上升趋势，该领域已迈入大数据时代
DeepPrep——深度学习赋能的神经影像预处理管线
为应对当前挑战，昌平实验室刘河生课题组在利用深度学习优化脑影像数据处理的领域深耕多年，并将多年研究积累整合成了一条端到端的基于深度学习的神经影像预处理管线——DeepPrep。DeepPrep基于多项先进的深度学习算法，实现了对结构与功能MRI的神经影像精准预处理，在计算速度方面相较于传统工具实现了十倍以上的提升。
性能卓越，深度学习替代传统算法，计算效率大幅提升
为了验证 DeepPrep 的性能，团队对来自七个数据集的超 55,000 例次扫描进行了全面评估，包括了计算效率、准确性、信噪比和可重复性等。并和目前最前沿的处理管线fMRIPrep进行了比较。
DeepPrep的计算效率大幅提升
无论是单个数据的串行处理还是多数据的批量处理，DeepPrep相较于fMRIPrep的处理速度提升超过10倍，单个被试处理仅需30分钟左右，而在一台工作站下批量处理仅需8.8分钟/例。而在在高性能计算环境中，DeepPrep 展现了灵活的资源分配能力，成本最低降到fMRIPrep的5%。而且DeepPrep的处理结果均达到甚至超越了fMRIPrep的水平。
DeepPrep在临床难样本中的处理成功率和准确性更高（左）；三个典型错误类型的数据都可以被DeepPrep成功处理（右）
为了检验DeepPrep的稳健性，团队挑选出了 53 个复杂样本（存在脑损伤导致传统算法处理困难的样本）。DeepPrep 完成率为 100.0%，预处理结果准确率为 58.5%，平均处理时间仅 27.4 分钟，显著优于 fMRIPrep（完成率 69.8%，准确率 30.2%，平均处理时间 369.6 分钟）。
因此，DeepPrep相较于国际先进水平不仅实现了10倍计算效率的提升，还在复杂的临床病例处理中表现出了显著优势。
操作便捷，用户友好的图形交互界面，不会编程也能轻松使用
为了更好地服务用户，DeepPrep推出了用户友好的图形交互界面（GUI），支持Windows和Linux两大主流操作系统，让没有编程背景的研究人员也能轻松使用。DeepPrep支持灵活部署于多种计算环境，包括本地计算机、高性能计算和云计算环境。此外，DeepPrep还兼容BIDS格式数据，自动根据输入数据配置预处理流程，无需人工干预，并输出详细的可视化质量检测报告（QC），帮助研究人员轻松评估数据质量和处理结果。
开启未来，DeepPrep为神经科学的探索提供强大工具
DeepPrep的开发不仅为神经影像预处理带来了前所未有的效率提升，也为未来的医学研究和临床应用开辟了新的道路。随着技术的不断更新和完善，DeepPrep有望整合更多模态的神经影像数据，为神经科学的探索提供更强大的工具。研究团队表示：“DeepPrep是神经影像技术发展的一个重要里程碑，我们期待它能够在未来的医学研究和临床实践中发挥更大的作用。”
昌平实验室/北京大学生物医学前沿创新中心刘河生教授与昌平实验室科学家任建勋博士为该论文的共同通讯作者，任建勋与工程师安宁为该论文的并列第一作者。实验室蔺聪、张佑嘉、孙震宇、张维、李诗怡、郭宁、崔渭刚、胡清宇、王聃红、华山医院吴学海、天坛医院王引言与江涛以及UPenn的Theodore D. Satterthwaite亦对本文有重要贡献。该研究得到昌平国家实验室和中国博士后科学基金会的支持和资助。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
