有此神器，神经影像配准不再需要高分辨3D T1w

目录

1、导读

2、SynthSR开发背景

3、Free Surfer中如何调用SynthSR

4、SynthSR在临床中的应用

5、结论

1. 导读：

全球每年有数以百万计的脑部磁共振成像( magnetic resonance imaging，MRI )图像在医院产生。这些有可能彻底改变我们对许多神经系统疾病的理解，但由于它们的各向异性分辨率，尚未全部完成形态计量学分析。我们提出了一种AI技术，" SynthSR "，它可以将任何MR对比度、方向和分辨率进行临床脑MRI图像其转化为神经成像工具可用的高分辨率T1图像。SynthSR能够克服数据限制，并为健康和患病的人脑提供新的信息。

2. SynthSR开发背景

MRI神经成像是研究人脑成像最有用的工具之一。FreeSurfer、FSL、SPM和AFNI等开源神经成像软件包使世界各地的研究人员能够以自动化的方式进行大脑研究。这些工具还提高了研究结果的可重复性。

目前的神经成像工具中的自动化处理方法要求获得各向同性分辨率的MRI扫描，以尽量减少分割或配准等三维分析中的误差。此外，几种方法在MR对比度方面也有要求。例如，Free Surfer需要T1加权扫描。因此，大多数研究的神经影像学研究满足分辨率和MR对比度要求的结构MRI采集通常是1 mm各向同性的T1加权扫描，采用快速梯度回波( MPRAGE )脉冲序列。

然而，世界上绝大多数的MRI扫描都是为了临床目的而获得的，并不满足上述标准。在临床上，医生通常更喜欢2D采集，通常使用广泛的涡轮自旋回波( TSE )序列。这种采集方式减少了检查图像所需的时间，并且对运动伪影的敏感度较低，这对于那些神经系统疾病使其难以躺在MRI扫描仪中的患者至关重要。由于无法从临床扫描中计算出用于神经成像研究的形态学测量，排除了目前在全世界医院的数百万次扫描的分析。

AI技术具有弥合脑MRI扫描之间差距的潜力。在给定一定MR对比度和低分辨率的扫描条件下，这些技术可用于生成具有类T1对比度和各向同性分辨率的成像。现有的MRI合成和超分辨率(super-resolution,SR)技术有很多，基于经典和深度ML方法。现代SR方法几乎完全基于深度学习，特别是卷积神经网络( CNNs )。这些方法通常利用大量成对的低分辨率和高分辨率图像来学习,进一步细化输出可以通过对抗损失来实现。

与SR类似，现代合成方法基于CNNs，试图学习源和目标模态之间的映射，以区分真实和合成图像。虽然获得完全配对的数据很困难，