Brainchop

Brainchop通过在用户端的Web浏览器中运行轻量级深度学习模型（例如， MeshNet)进行推理，为神经影像学带来了自动化的3D MRI体积分割能力。

我们免费提供了Brainchop的实现，并将其纯JavaScript代码以开源形式发布。该用户界面（UI）提供了一个基于Web的端到端3D MRI分割解决方案。NiiVue查看器已集成到该工具中，用于MRI可视化。有关Brainchop的更多信息，请参阅这份详细的维基以及这篇博客文章。

如有任何问题或想法想要分享，请访问我们的讨论区。

MeshNet 示例

这个基础示例概述了MeshNet模型的训练流程。

• MeshNet 基础训练示例

• 将训练好的MeshNet模型转换为tfjs模型示例

实时演示

要查看Brainchop v4 的实际效果，请点击 这里。或者点击下方的动图观看视频：

如需查看 v3，请点击 这里。

更新

新闻！

• Brainchop v2.2.0 的论文已被第21届IEEE国际生物医学成像研讨会（ISBI 2024）接收。更长的arXiv版本可在此处找到：arXiv链接。

• Brainchop 论文于2023年3月28日发表在开源软件期刊（JOSS）上。

• Brainchop的摘要被接受在2023年OHBM年会期间以海报形式展示。

• Brainchop的1页摘要和海报被第20届IEEE国际生物医学成像研讨会（ISBI 2023）接受。

• Google、TensorFlow社区为Brainchop颁发了聚光灯奖（2022年9月），相关信息分别发布在LinkedIn和Twitter上。

• Brainchop受邀参加PyTorch旗帜会议，地点：路易斯安那州新奥尔良市（2022年12月）。

• Brainchop受邀参加TensorFlow.js Show & Tell第七期节目（2022年7月）。

引用

Brainchop 论文针对v2.1.0版本于2023年3月28日发表在开源软件期刊（JOSS）上

对于APA格式，该论文可被引用如下：

Masoud, M., Hu, F., & Plis, S. (2023). Brainchop: 在浏览器中进行MRI体积分割与渲染。开源软件期刊，8(83), 5098. https://doi.org/10.21105/joss.05098

对于一些出版商使用的BibTeX格式，请使用以下内容：

@article{Masoud2023, 
  doi = {10.21105/joss.05098}, 
  url = {https://doi.org/10.21105/joss.05098}, 
  year = {2023}, 
  publisher = {The Open Journal}, 
  volume = {8}, 
  number = {83}, 
  pages = {5098}, 
  author = {Mohamed Masoud and Farfalla Hu and Sergey Plis}, 
  title = {Brainchop: 在浏览器中进行MRI体积分割与渲染}, 
  journal = {开源软件期刊} 
} 

对于MLA格式：

Masoud, Mohamed, Farfalla Hu, and Sergey Plis. ‘Brainchop: 在浏览器中进行MRI体积分割与渲染’. 开源软件期刊，第8卷，第83期，The Open Journal，2023年，第5098页，https://doi.org10.21105/joss.05098.

对于IEEE格式：

M. Masoud, F. Hu, 和 S. Plis，“Brainchop：在浏览器中进行MRI体积分割与渲染”，开源软件期刊，第8卷，第83期，第5098页，2023年。doi:10.21105/joss.05098

贡献与作者署名指南

如果您对Brainchop进行修改或扩展，并将其用于拟发表的衍生作品（如研究论文或软件工具），请务必引用并致谢原始的Brainchop项目及其原作者。适当的致谢应包括以下内容：

“Brainchop由Mohamed Masoud和Sergey Plis于2023年最初开发，在本研究工作中得到了应用。”

我们还建议，如果您的衍生作品中有重大贡献，应在适当的情况下将原作者列为共同作者。

资助信息

本研究工作得到了美国国立卫生研究院RF1MH121885项目的资助。此外，还获得了NIH R01MH123610、R01EB006841以及NSF 2112455的支持。

Brainchop 快速上手指南

Brainchop 是一个开源的前端神经影像工具，能够在浏览器中直接运行轻量级深度学习模型（如 MeshNet），实现 3D MRI 图像的自动体积分割。无需后端服务器，所有推理均在用户本地完成。

环境准备

由于 Brainchop 主要作为纯 JavaScript 应用在浏览器中运行，普通用户无需配置复杂的本地开发环境即可使用核心功能。

• 操作系统：Windows、macOS、Linux 均可（仅需现代浏览器）。
• 浏览器要求：推荐使用最新版本的 Google Chrome、Microsoft Edge 或 Firefox（需支持 WebGL 和 TensorFlow.js）。
• 输入数据格式：支持标准的 NIfTI (.nii, .nii.gz) 格式的 3D MRI 图像。

开发者注意：如果您希望训练自定义模型或修改源码，则需要安装 Python 环境、PyTorch/TensorFlow 以及 Node.js，并参考项目中的 py2tfjs 目录进行模型转换。

安装步骤

Brainchop 采用 SaaS (Software as a Service) 模式，无需下载或安装任何软件。

1. 访问官方演示站： 直接在浏览器中打开以下地址即可启动最新版本 (v4)：

   https://neuroneural.github.io/brainchop
   

2. （可选）本地部署： 如果您需要在内网环境使用或进行二次开发，可以通过克隆仓库并在本地启动静态服务器：

   # 克隆仓库
   git clone https://github.com/neuroneural/brainchop.git
   
   # 进入目录
   cd brainchop
   
   # 使用 Python 快速启动本地服务 (需安装 Python)
   python -m http.server 8000
   
   # 或者使用 Node.js (需安装 http-server)
   npx http-server -p 8000
   

   启动后，在浏览器访问 http://localhost:8000。

基本使用

以下是使用 Brainchop 进行 MRI 分割的最简流程：

1. 加载图像：

   • 点击界面上的 "Load Image" 按钮。
   • 选择本地的 3D MRI NIfTI 文件（.nii 或 .nii.gz）。
   • 系统将利用集成的 NiiVue 查看器在浏览器中渲染图像。

2. 执行分割：

   • 点击 "Run Segmentation"（或类似功能的开始按钮）。
   • 浏览器将自动加载预训练的 MeshNet 模型并在本地进行推理。
   • 注意：首次运行可能需要几秒钟加载模型权重，后续处理速度取决于本地显卡性能。

3. 查看与导出结果：

   • 分割完成后，界面将叠加显示分割掩膜（Mask），支持 3D 旋转查看。
   • 点击 "Download" 或 "Save Mask" 按钮，将分割结果保存为新的 NIfTI 文件到本地。

---

提示：本工具完全在客户端运行，您的医疗影像数据不会上传至任何服务器，确保了数据隐私安全。