[论文解读] Fast and high-quality tetrahedral mesh generation from neuroanatomical scans

Anh Phong Tran, Qianqian Fang|arXiv (Cornell University)|Aug 29, 2017

Advanced Neural Network Applications参考文献 28被引用 8

一句话总结

本文提出了一种名为 'brain2mesh' 的开源、全自动软件流水线，可在 40 秒内从神经解剖扫描生成高质量、解剖学上准确的四面体网格。该方法采用基于表面的网格化技术，并支持用户定义的网格质量标准，整合了 FreeSurfer 和 FSL 等工具生成的多标签分割数据与表面重建结果，生成包含头皮、颅骨、脑脊液、灰质、白质及空气腔隙等多层组织的详细 3D 头部模型。

ABSTRACT

Creating tetrahedral meshes with anatomically accurate surfaces is critically important for a wide range of model-based neuroimaging modalities. However, computationally efficient brain meshing algorithms and software are greatly lacking. Here, we report a fully automated open-source software to rapidly create high-quality tetrahedral meshes from brain segmentations. Built upon various open-source meshing utilities, the proposed meshing workflow allows robust generation of complex head and brain mesh models from multi-label volumes, tissue probability maps, surface meshes and their combinations. The quality of the complex tissue boundaries is preserved through a surface-based approach, allowing fine-grained control over the sizes and quality of the mesh elements through explicit user-defined meshing criteria. The proposed meshing pipeline is highly versatile and compatible with many commonly used brain analysis tools, including SPM, FSL, FreeSurfer, and BrainSuite. With this mesh-generation pipeline, we demonstrate that one can generate 3D full-head meshes that combine scalp, skull, cerebrospinal fluid, gray matter, white matter, and air cavities with a typical processing time of less than 40 seconds. This approach can also incorporate highly detailed cortical and white matter surface meshes derived from FSL and FreeSurfer with tissue segmentation data. Finally, a high-quality brain atlas mesh library for different age groups, ranging from infants to elderlies, was built to demonstrate the robustness of the proposed workflow, as well as to serve as a common platform for simulation-based brain studies. Our open-source meshing software "brain2mesh" and the human brain atlas mesh library can be downloaded at http://mcx.space/brain2mesh.

研究动机与目标

• 解决现有神经影像建模中计算效率高且质量优良的脑网格化工具匮乏的问题。
• 实现从多标签 MRI 分割结果和表面重建数据中，自动、稳健地生成复杂 3D 头部网格模型。
• 通过基于表面的网格化方法，保留组织边界处的精细解剖细节。
• 提供一种多功能、可互操作的流水线，兼容主流神经影像软件（SPM、FSL、FreeSurfer、BrainSuite）。
• 构建并发布一个高质量、按年龄分层的人脑图谱网格库，用于仿真研究。

提出的方法

• 该方法采用基于表面的网格化策略，以保留来自 MRI 分割体素的复杂组织边界。
• 将来自 FreeSurfer 和 FSL 等工具的多标签组织概率图与表面网格整合进统一的网格化流水线。
• 用户可自定义网格化标准，以控制单元尺寸与质量，从而实现对网格分辨率与准确性的精细控制。
• 该流水线利用开源网格化工具，确保其鲁棒性与可重复性。
• 支持同时输入分割数据与表面网格，生成具有高解剖保真度的混合模型。
• 工作流程完全自动化，且针对速度进行了优化，在标准硬件上实现全头部网格生成时间低于 40 秒。

实验结果

研究问题

• RQ1 是否能够通过完全自动化的网格化流水线实现实时生成高质量四面体网格，用于神经影像应用？
• RQ2 基于表面的方法在保持网格单元质量的同时，能否有效保留复杂组织边界的细节？
• RQ3 该流水线在多大程度上能够整合不同数据源，如 FSL 和 FreeSurfer 生成的组织概率图与预存在的表面网格？
• RQ4 该方法是否能在极少用户干预下，为不同年龄组生成一致且高保真的 3D 头部模型？
• RQ5 该流水线在可扩展性与与现有神经影像软件栈（如 SPM、FSL 和 FreeSurfer）的互操作性方面表现如何？

主要发现

• 所提出的网格化流水线可在平均 40 秒内生成包含头皮、颅骨、脑脊液、灰质、白质及空气腔隙的全头部四面体网格。
• 通过基于表面的网格化方法，该方法成功保留了复杂组织边界处的精细解剖细节。
• 来自 FSL 和 FreeSurfer 的高质量皮层与白质表面网格可无缝整合至最终的四面体网格中。
• 该流水线与主流神经影像工具（包括 SPM、FSL、FreeSurfer 和 BrainSuite）完全兼容。
• 已构建一个全面的人脑图谱网格库，覆盖从婴儿到老年人的各年龄组，证明了该工作流程的鲁棒性与可重用性。
• 开源软件 'brain2mesh' 与图谱库已公开发布，可供仿真驱动的脑科学研究使用。