deepmi/fastsurfer

FastSurfer

镜像概述和主要用途

FastSurfer是一个快速准确的深度学习管道，用于人类大脑MRI分析。它提供与FreeSurfer完全兼容的体积和基于表面的厚度分析，支持亚毫米分辨率，并能对小脑、下丘脑等神经解剖结构进行细分。本Docker镜像封装了FastSurfer，提供GPU（含CUDA支持）、CPU及AMD GPU（ROCM，实验性）版本，方便快速部署脑影像分析流程。

核心功能和特性

核心功能

基于T1加权MRI，提供以下关键能力：

• 深度学习全脑分割：1-4分钟（GPU）或20分钟（CPU）内完成95类全脑分割，包括：

  • Desikian-Killiany-Tourville图谱分割（33个皮质下结构和31个皮质结构/半球）
  • 小脑叶分割（27个结构）
  • 下丘脑细分
  • ROI-wise体积统计
  • 支持原生高分辨率分割（<1.0mm³，无需重采样）

• FreeSurfer兼容输出：约45分钟（含30分钟球形配准，默认开启）生成：

  • 皮质表面（白质、软脑膜）
  • 表面测量值（厚度、曲率等）
  • 表面标签和注释（aparc.annot、cortex.label等）
  • 逐点表面统计和ROI-wise体积统计
  • 与FSAVERAGE的球形配准（支持组间分析及fMRI/扩散分析预处理）

特性

• 多版本支持：提供GPU（CUDA）、纯CPU及AMD GPU（ROCM，实验性）版本
• 兼容性：与FreeSurfer输出完全兼容，无缝集成现有工作流
• 高效处理：GPU加速全脑分割仅需1-4分钟，大幅缩短分析周期

使用场景和适用范围

适用于各类脑结构MRI分析场景：

• 快速脑结构定位与全脑分割
• 定量形态学指标提取（体积、厚度等）
• 队列研究组分析
• fMRI/扩散磁共振成像的结构预处理
• 高分辨率脑MRI数据处理（亚毫米分辨率）

标签说明

主要标签

• cu###-v#.#.#：CUDA支持版本（如cu124-v2.0.0表示CUDA 12.4+FastSurfer 2.0.0），支持老旧Nvidia驱动系统，也可用于纯CPU处理
• cpu-v#.#.#：纯CPU版本（无GPU支持，镜像体积更小）
• rocm#.#-v#.#.#：AMD GPU支持版本（ROCM，实验性），如rocm5.7-v2.0.0

便捷标签

指向上述主要标签的快捷引用：

• latest/gpu-latest：最新FastSurfer版本+最新CUDA包
• cpu-latest：最新纯CPU版本
• cuda-v#.#.#：指定FastSurfer版本的最新CUDA构建
• rocm-v#.#.#：指定FastSurfer版本的最新ROCM构建（实验性）

下载与部署

镜像下载

Docker

bash
# 最新GPU版本
docker pull docker.xuanyuan.run/deepmi/fastsurfer:latest

# 最新CPU版本
docker pull docker.xuanyuan.run/deepmi/fastsurfer:cpu-latest

# 指定版本（如CUDA 12.4+FastSurfer 2.0.0）
docker pull docker.xuanyuan.run/deepmi/fastsurfer:cu124-v2.0.0

Singularity

bash
singularity build fastsurfer-gpu.sif docker://deepmi/fastsurfer:latest

运行说明

核心依赖说明

• Surface模块：依赖FreeSurfer，镜像包含精简版FreeSurfer（不含可视化工具及示例数据），但需有效FreeSurfer许可证（仅运行Surface模块时需要，分割模块无需）。
• 许可证获取：从https://surfer.nmr.mgh.harvard.edu/registration.html%E6%B3%A8%E5%86%8C%E8%8E%B7%E5%8F%96%EF%BC%8C%E9%80%9A%E8%BF%87%60FS_LICENSE%60%E7%8E%AF%E5%A2%83%E5%8F%98%E9%87%8F%E6%88%96%E6%8C%82%E8%BD%BD%E6%96%87%E4%BB%B6%E4%BC%A0%E5%85%A5%E3%80%82

基本运行示例

GPU版本（需Nvidia Docker支持）

bash
# 导出许可证路径（若使用Surface模块）
export FS_LICENSE=/path/to/freesurfer/license.txt

# 运行全流程分析（含分割与Surface模块）
docker run --gpus all \
  -v /path/to/input:/input \
  -v /path/to/output:/output \
  -e FS_LICENSE=$FS_LICENSE \
  docker.xuanyuan.run/deepmi/fastsurfer:latest \
  --t1 /input/subject_t1.nii.gz \
  --sid subject1 \
  --sd /output

CPU版本

bash
docker run \
  -v /path/to/input:/input \
  -v /path/to/output:/output \
  -e FS_LICENSE=$FS_LICENSE \
  docker.xuanyuan.run/deepmi/fastsurfer:cpu-latest \
  --t1 /input/subject_t1.nii.gz \
  --sid subject1 \
  --sd /output \
  --cpu

相关链接

• GitHub源代码：https://github.com/deep-mi/FastSurfer
• 官方文档：[***]
• 项目介绍：[***]
• FreeSurfer官网：https://surfer.nmr.mgh.harvard.edu

许可证

Apache License v2

参考文献

若用于研究发表，请引用：

• Henschel L, Conjeti S, Estrada S, et al. FastSurfer - A fast and accurate deep learning based neuroimaging pipeline. NeuroImage 219 (2020), . https://doi.org/10.1016/j.neuroimage.2020.
• Henschel L, Kügler D, Reuter M. FastSurferVINN: Building resolution-independence into deep learning segmentation methods - A solution for HighRes brain MRI. NeuroImage 251 (2022), . https://doi.org/10.1016/j.neuroimage.2022.
• Faber J*, Kuegler D*, Bahrami E*, et al. CerebNet: A fast and reliable deep-learning pipeline for detailed cerebellum sub-segmentation. NeuroImage 264 (2022), . https://doi.org/10.1016/j.neuroimage.2022.
• Estrada S, Kügler D, Bahrami E, et al. FastSurfer-HypVINN: Automated sub-segmentation of the hypothalamus and adjacent structures on high-resolutional brain MRI. Imaging Neuroscience (2023), 1:1-32. https://doi.org/10.1162/imag_a_00034