本文档属于类型a，即一篇关于单次原创研究的学术论文。以下是对该研究的详细报告：
一、研究作者、机构及发表信息
本研究的主要作者包括Jianxun Ren、Ning An、Cong Lin等，他们分别来自Changping Laboratory（北京）、Peking University（北京）、Fudan University（上海）等多个机构。研究于2025年3月发表在《Nature Methods》期刊上，文章标题为“DeepPrep: An Accelerated, Scalable and Robust Pipeline for Neuroimaging Preprocessing Empowered by Deep Learning”，DOI为10.1038/s41592-025-02599-1。
二、学术背景
随着神经影像学进入大数据时代，数据量的快速增长对预处理流程提出了更高的要求。现有的预处理工具（如FreeSurfer、fMRIPrep等）虽然在小样本数据上表现优异，但在处理大规模数据时面临计算效率低、扩展性不足等问题。此外，临床应用（如脑成像引导的神经调控）对处理速度和鲁棒性提出了更高的需求，尤其是在处理脑创伤、脑瘤或中风等导致的脑部变形时，现有工具难以满足要求。因此，开发一种高效、可扩展且鲁棒的神经影像预处理流程成为迫切需求。
本研究的目的是开发一种基于深度学习和工作流管理器的神经影像预处理流程DeepPrep，以解决上述问题。DeepPrep通过整合深度学习算法和工作流管理器，显著提高了预处理的速度和鲁棒性，并能够处理大规模数据集。
三、研究流程
1. 流程设计
DeepPre集成了多个深度学习模块，包括FastCSR（用于快速皮层表面重建）、SUGAR（用于球形超快图注意力框架的皮层表面配准）、SynthMorph（用于解剖分割）和FastSurferCNN（用于脑组织分割）。这些模块替代了传统流程中最耗时的操作，如皮层表面重建、表面配准、解剖分割和体积空间标准化。所有软件模块通过83个离散但相互依赖的任务流程连接，并打包成Docker或Singularity容器。
2. 工作流管理器
DeepPrep使用NextFlow作为工作流管理器，实现了跨平台的可移植性和可重复性。NextFlow通过动态调度并行化任务，最大化计算资源利用率，并支持在本地计算机、高性能计算（HPC）集群和云计算环境中部署流程。
3. 数据集与评估
研究在超过55,000次扫描数据上评估了DeepPrep的性能，包括来自UK Biobank（UKBB）的大规模数据集、Mindboggle-101手动标注数据集、Midnight Scanning Club（MSC）数据集和Consortium for Reliability and Reproducibility Hangzhou Normal University（CORR-HNU）数据集。这些数据集涵盖了不同人群、扫描仪和成像参数，确保了评估的全面性。
4. 性能测试
在本地工作站上，DeepPrep处理单个UKBB数据集参与者的时间为31.6±2.4分钟，比fMRIPrep快10.1倍。在HPC环境中，DeepPrep表现出更高的计算效率，处理时间稳定且计算成本显著降低。此外，DeepPrep在临床样本上的鲁棒性表现优异，能够处理fMRIPrep无法完成的样本。
5. 结果比较
DeepPrep与fMRIPrep在多个数据集上进行了对比，包括解剖分割、形态学指标、时间信噪比（tSNR）、空间标准化、任务激活图和功能连接性等方面。结果显示，DeepPrep在保持或提升准确性的同时，显著提高了处理效率。
四、主要结果
1. 计算效率
DeepPrep在本地工作站和HPC环境中均表现出显著的计算效率提升。例如，在本地工作站上，DeepPrep处理单个参与者的时间比fMRIPrep快10.1倍；在HPC环境中，DeepPrep的计算成本比fMRIPrep低5.8至22.1倍。
2. 鲁棒性
DeepPrep在处理临床样本时表现出更高的鲁棒性。在53个fMRIPrep无法处理的临床样本中，DeepPrep的完成率为100%，而fMRIPrep仅为69.8%。
3. 准确性
在Mindboggle-101、MSC和CORR-HNU数据集上，DeepPrep在解剖分割、形态学指标、tSNR、空间标准化、任务激活图和功能连接性等方面的表现与fMRIPrep相当或更优。例如，在Mindboggle-101数据集上，DeepPrep在62个皮层区域中的52个区域表现出更高的分割准确性。
五、结论
DeepPrep是一种高效、可扩展且鲁棒的神经影像预处理流程，能够满足大数据时代的处理需求。其成功归功于深度学习算法和工作流管理器的整合。DeepPrep在计算效率、鲁棒性和准确性方面的优异表现，使其成为神经影像预处理领域的重要工具。未来，DeepPrep计划扩展为多模态神经影像处理平台，进一步服务于神经影像研究社区。
六、研究亮点
1. 高效性：DeepPrep在处理大规模数据时表现出显著的计算效率提升，比现有工具快10倍以上。
2. 鲁棒性：DeepPrep能够处理传统工具无法处理的复杂临床样本，完成率高达100%。
3. 创新性：DeepPrep整合了多个深度学习算法和工作流管理器，实现了端到端的高效预处理流程。
4. 广泛应用性：DeepPrep支持多种计算环境（本地、HPC、云），并兼容BIDS（Brain Imaging Data Structure）格式，便于用户使用和进一步开发。
七、其他价值
DeepPrep的开源代码和文档版本控制确保了其透明性和可重复性。此外，DeepPrep生成的详细报告和运行时报告有助于用户进行数据质量评估和流程优化。这些特性使DeepPrep成为神经影像研究社区的重要资源。