写在前面——DeepPrep：神经影像预处理的新时代

“想象你手握一款能在30分钟内完成 fMRI 预处理的强大工具，而不是苦等数小时甚至一整天。”*
2025年一款fMRI预处理工具横空出世，简而言之，速度更快，精读更高，那对于在脑科学、神经科学、医学以及心理学领域的相关研究人员来说能快速掌握一个强大的工具对于自己的研究还是非常有必要的，目前网络上还没有较为完善的系统的关于这个工具使用的详细介绍，对于学生或者刚刚入门的研究人员来说，直接学习官方文档的门槛还是比较高的。小生不才，花费了几天时间深入学习了一下这个工具并整理出了一套通俗易懂的入门教程，帮助大家快速上手

欢迎来到 DeepPrep 的世界——这不仅是一款工具，更是一次突破神经影像学效率与稳健性界限的革命。

这是系列的第一章

---

Deepprep介绍

🎯 什么是 DeepPrep？

DeepPrep 是一款融合 深度学习模块 + 高效工作流管理 的全新 fMRI/anat MRI 预处理管线，支持 BIDS 数据格式，运行于本地、HPC 集群、云环境中。它借助 FastSurferCNN、FastCSR、SUGAR、SynthMorph 等算法替代传统耗时模块，实现端到端高效预处理 :contentReference[oaicite:1]{index=1}。

---

为什么要用 DeepPrep？

• 超高速预处理

  • 单人参与者处理仅需 ~30 分钟，比 fMRIPrep 快约 10 倍（fMRIPrep 花费约 320 分钟）
  • 批量处理更惊人：DeepPrep 每周可处理上千人，而 fMRIPrep 同时间仅处理百人左右
  • 注意：GPU模式提升约10倍，CPU模式提升2-4倍

• 极高鲁棒性

  • 在 53 个临床困难样本中，DeepPrep 完成率 100%，准确率达 58.5%，而 fMRIPrep 仅 69.8% / 30.2%

• 资源适配、成本降低

  • 支持动态资源调度，CPU 与 GPU 协同，HPC 成本低至 fMRIPrep 的 5.20% :

---

DeepPrep 的核心创新与架构

✅ 深度学习模块替代传统计算

模块	功能	替代传统工具
FastSurferCNN	脑组织分割	FSL/FreeSurfer
FastCSR	皮层重建	FreeSurfer 完整版
SUGAR	皮层配准	人工耗时对齐
SynthMorph	空间标准化	ANTs 扭曲配准模型

这些模块能够将耗时数十分钟的步骤压缩到秒级，全面提升性能

🔄 Nextflow 分布式工作流

将整套管线拆分为 ~80 个模块，Nextflow 动态调度，适配各种计算环境——无论是单机、集群还是云端

📊 丰富输出与可视化

输出包括标准化图像、表层+体积衍生配置、QC 报告与 runtime 报告，助力研究复现与问题排查

---

更加详细的信息可以参考论文：DeepPrep: an accelerated, scalable and robust pipeline for neuroimaging preprocessing empowered by deep learning

🔍 小结

DeepPrep 不只是一个更快的 fMRIPrep——它通过技术革新与架构优化，带来了速度、稳定性与经济性的全面进化。接下来，我们将深入了解它的安装方式、使用指南，以及值得注意的实际应用场景。

---

Deepprep的安装

安装方式虽然有很多，但只墙裂推荐采用 Docker 或 Singularity 容器方式安装：这不仅能一次性获取所有依赖，还能保证环境可复现、部署灵活，对于新手也很友好。

---

1️⃣ 环境要求

确保主机符合以下最低配置：

• 操作系统：Ubuntu ≥ 20.04 或等效 Linux 系统 （Windows系统和mac系统都支持，安装流程都差不多）
• 系统资源：
  • RAM + Swap ≥ 16 GB（推荐 ≥ 32 GB）
  • 可用磁盘空间 ≥ 20 GB
  • 最少 4 个 CPU 核心
• 可选 GPU 支持（提升速度显著）：
  • NVIDIA 驱动 ≥ 520.61.05
  • CUDA ≥ 11.8
  • VRAM ≥ 10–12 GB

自己亲测的经验：GPU级别最好是3060以上，单个GPU显存最好大于18G（如果你的结构像和功能像分开处理可以不用这么高要求）

---

2️⃣ 安装 Docker（如尚未安装）

# Ubuntu 20.04+ 推荐如下命令安装 Docker
sudo apt update
sudo apt install -y docker.io
sudo systemctl enable --now docker

# 测试安装是否成功
docker run -it --rm hello-world

• 若主机具备 NVIDIA GPU，可执行：

docker run -it --rm --gpus all hello-world

若显示正常信息，则说明 Docker 与 GPU 驱动已就绪

3️⃣ 下载 DeepPrep 镜像

推荐使用官方 Docker Hub 镜像版本 25.1.0（截止2025年6月15日最新正式版本）

docker pull pbfslab/deepprep:25.1.0

• 不同的操作系统Docker的安装可能略有不同，可以网上参考其他优质教程， Docker安装完拉取Deepprep镜像不同的操作系统都一样，因为无论是windows还是macos，都会在自己电脑开启一个Linux虚拟系统，然后在这个虚拟系统部署Deepprep依赖的环境。⚠️注意：一定要在Docker环境下的bash终端运行上述命令，而不是在自己电脑的本地终端运行。

4️⃣ FreeSurfer 许可

DeepPrep 中部分模块（如 FastSurfer）需 FreeSurfer 许可支持：

1. 登录 FreeSurfer 官网注册获取免费许可license.txt（申请成功后会直接发到你的邮箱，很快）
2. 运行时将许可映射进入容器：

# 假设你将你的license.txt文件保存到了‘~/freesurfer/license.txt’路径下
-v ~/freesurfer/license.txt:/fs_license.txt

5️⃣ BIDS格式整理

在运行管线(pipline)前，我们需要确保输入数据为符合 BIDS 标准的结构。DeepPrep 完全依赖该格式读取影像与元数据
🔹 BIDS 格式简要介绍

1. BIDS核心价值
   • 统一规范：全球600+神经影像工具（如fMRIPrep、FreeSurfer）支持，数据可直接复用
   • 元数据标准化：通过JSON文件记录扫描参数，避免人工配置错误
   • 可扩展性：支持结构像、功能像、扩散MRI等20+模态，兼容临床特殊数据目录结构规范
2. 目录结构规范

BIDS/  
├── sub-01          # 被试ID（格式：sub-{label}）  
│   ├── ses-01      # 扫描 session（可选，格式：ses-{label}）  
│   │   ├── anat    # 解剖学影像（必选）  
│   │   │   ├── sub-01_ses-01_T1w.nii.gz       # T1加权结构像  
│   │   │   └── sub-01_ses-01_T2w.nii.gz       # T2加权结构像（可选）  
│   │   ├── func    # 功能影像（可选）  
│   │   │   ├── sub-01_ses-01_task-rest_bold.nii.gz    # 静息态BOLD  
│   │   │   └── sub-01_ses-01_task-motor_bold.json       # 元数据文件  
│   │   ├── fmap    # 场图（用于畸变校正，可选）  
│   │   │   ├── sub-01_ses-01_acq-grad_e1_phasediff.nii.gz  # 相位差图  
│   │   │   └── sub-01_ses-01_acq-grad_e1_magnitude1.nii.gz  # 幅度图  
│   └── participants.tsv  # 被试元数据（如性别、临床诊断、病变位置）  
└── dataset_description.json  # 数据集元信息（可选）  

3. 文件名规则

{sub}-{label}_[{ses}-{label]_[{task}-{label}]_[{run}-{label}]_{modality}.nii.gz  

如 sub-01_ses-01_T1w.nii.gz（结构像），或 sub-01_ses-01_task-rest_run-01_bold.nii.gz（功能像）。
每个 .nii.gz 文件需配套 .json，记录 TR(s)、TE(s)、PhaseEncodingDirection 等扫描参数

强烈推荐使用 BIDS Validator 校验数据结构，确保无命名、缺失元数据等错误

6️⃣ 运行 DeepPrep（快速启动版）

• （这里只展示最基本最简单运行实例，进阶使用教程可以看下一篇章）

1. 命令运行（灵活度高，对熟悉linux系统操作命令的同学较为友好）

CPU 环境下处理单个被试的基本流程：

$ docker run -it --rm --gpus all \
             -v <bids_dir>:/input \
             -v <output_dir>:/output \
             -v <fs_license_file>:/fs_license.txt \
             pbfslab/deepprep:25.1.0 \
             /input \
             /output \
             participant \ #participant 为分析级别，可指定单个或多个被试 ID
             --bold_task_type rest \ #假如你的任务名称为：rest
             --fs_license_file /fs_license.txt

若使用 GPU，需额外添加 --gpus all 标志

2. GUI运行（界面友好，适合新手和不熟悉代码的同学 ，但灵活度不高，实现的功能有限）

• Step 1: Set up work directory.

export DEEPPREP_WORKDIR=<path>

• Step 2: Run the docker command.

#  GPU
sudo docker run -it --rm --user $(id -u):$(id -g) --gpus all -v $DEEPPREP_WORKDIR:$DEEPPREP_WORKDIR -p 8501:8501 pbfslab/deepprep:25.1.0.beta.1

#  CPU
sudo docker run -it --rm --user $(id -u):$(id -g) -v $DEEPPREP_WORKDIR:$DEEPPREP_WORKDIR -p 8501:8501 pbfslab/deepprep:25.1.0.beta.1

• Step 3: Start the GUI website

Enter http://localhost:8501 in the browser.

图形化界面大概如下：

7️⃣Singularity 容器（HPC 环境可选）

• （这种方式我没有深入探索，感觉还是Docker的方式更流行一点，建议直接用Docker，此方法可以了解）
  适用于高性能计算集群（不支持 Docker 的情况）：

singularity build deepprep_25.1.0.sif docker://pbfslab/deepprep:25.1.0

运行方式与 Docker 类似，需挂载输入文件夹、输出目录及 license.txt 文件。

写在最后

如果文章有帮助到你，是我的荣幸，期待您的点赞关注，后续有时间会继续推出更优质的文章

下一章：将深入介绍如何进阶使用Deepprep，结合案例帮你快速上手！
【DeepPrep从入门到入土】第二章 详细使用教程(MRI数据预处理,Freesurfer,FSL,AFNI,spm）

---

参考资料

https://deepprep.readthedocs.io/en/25.1.0/usage_local.html
https://fk6door5k3.feishu.cn/wiki/HtGdwgdonifn2mk9POWcltuineK
https://blog.csdn.net/qq_25601345/article/details/147894112
https://www.nature.com/articles/s41592-025-02599-1
https://chatgpt.com/