使用FSL-FAST分割三种脑组织：白质，灰质，脑脊液

简单介绍 FSL-FAST

FAST（FMRIB 的自动分割工具）将大脑的 3D 图像分割成不同的组织类型: 灰质（grey matter, GM）、白 质 (white matter, WM)、脑脊液(cerebrospinal fluid, CSF)等。 同时还校正空间强度变化（也称为偏置场或 RF 不均匀性， 不过随着现在技术的进步，不均性问题基本不存在了）

底层方法基于隐马尔可夫随机场模型和相关的期望最大化算法。整个过程是完全自动化的，并且还可以产生偏置场校正的输入图像以及概率和/或部分体积组织分割。与大多数对噪声敏感的基于有限混合模型的方法相比，它是稳健可靠的。

该工具很简单： 提供一个去颅骨的大脑，设置您希望分割多少个组织类别，其余的默认设置通常都可以。

通常，研究人员需要三种组织类别：白质、灰质和脑脊液。但是，如果存在大脑有异常的图像（例如病变），可将类别增加到四个，以便将病变划分为一类。

要使用 FSL 执行大脑提取，您可以使用图形界面，也可以使用命令行（MacOS 或 Ubuntu Linux 上的终端应用程序）。本操作指南假定您已安装 FSL。

安装教程

1.使用图像界面

如图所示，打开终端，输入fsl打开图像界面，点击界面上FAST按钮（B区），就会出现输入输出图像框（CD区）和高级选项（E区）。

C区中，选择输入图像的通道数，单张图像为1，多个序列图像就填写序列数。image type（图像类型）有三种，加载进来的是什么序列就选什么。

对输入的要求：

• 必须是去掉颅骨的图像（FSL-bet去颅骨）
• 单一图像（可以是T1w，T2w，质子像）或者多序列图像（须配准， FSL-FLIRT 配准）
• 最好是健康大脑，如果图像中有异常，比如T2图像异常为高信号，则高信号可能被识别成脑脊液，因为在脑脊液也是高信号。当然后面给出了解决方法

D区中的参数介绍

• Output image(s) basename： 设置输出图像地址，默认为以输入的名字前缀
• number of classes： 分割类别数通常您需要 3 个（灰质、白质和 CSF）。但是，如果灰色/白色对比度非常差，您可能需要将其降低到 2；或者，如果有强烈的病变，设置成 4。此外，如果您正在分割 T2 加权图像，最好设为 4 类，以便正确处理暗黑非脑物质（这不是 T1 加权的问题，因为 CSF 和暗非脑物质看起来相似）。
• 各种输出图像包括
  • Binary segmentation: 为每个类的分割产生二值化分割图像
  • Partial volume maps： 默认输出，每个类的分割结果是以概率表示的，值在[0, 1]比如在白质分割结果中，每个体素的概率值表示它属于白质的概率。
  • Restored input: 如果需要校正图像，则选上
  • Bias field： 这是估计的偏差场

高级参数

• Bias field iterations： 偏场迭代确定在初始偏置场估计阶段进行的通过次数。更多的迭代次数可以帮助估计特别强的偏场。
• Bias field smoothing： 偏场平滑控制估计的偏场中预期的平滑度。输入的值是以 mm 为单位的全宽半最大值 (FWHM)。此处较大的值将对估计的偏场施加更多的平滑度。
• Use a-priori probability maps： 使用先验概率图告诉 FAST 首先将输入图像配准到标准空间，然后使用标准组织类型概率图（来自 MNI152 数据集）而不是初始 K-means 分割，以估计初始参数类。这在偏场非常差的情况下会有所帮助。默认情况下，先验概率图仅用于初始化分割

高级选项中的参数通常默认就好，如果分割不理想，再调一下试试看。

2.使用命令行

图像界面一目了然，但只能单个处理，没法批量。命令行可以解决这个问题。可调的参数也更多。

终端输入fast可查看使用说明
主要参数如下图（中英文）

$: fast -s 1 -t 2 -n 3 -H 0.1 -I 4 -l 20.0 -o ./T2_image T2_image.nii.gz  

如果想批量处理

$: for_each *.gz : fast -s 1 -t 2 -n 3 -H 0.1 -I 4 -l 20.0 -o NAME IN

3 分割结果

使用上面图像界面所示参数，结果如下

一共出来6个文件

灰质：

白质：

脑脊液：

参考资料
https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST
https://www.bilibili.com/video/BV15f4y1L7Rr?share_source=copy_web
https://youtu.be/xnZoJLSiXTU

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连