功能磁共振成像(fMRI)是通過血氧信號探測大腦功能活動的常用方法，無創而且空間精度高，在腦科學研究和腦疾病診療中具有廣泛應用。然而，功能磁共振採集到的大腦活動信號常常會受到磁化率偽影、金屬植入物的干擾，造成局部的信號扭曲甚至缺損。
神經外科臨床診療中，難治性癲癇患者為了進行手術規劃而植入的顱內電極、帕金森病人為了緩解震顫而植入的深部腦刺激器，這些植入物及其導線和連接器，都會對功能磁共振信號產生干擾，嚴重妨礙了通過功能磁共振成像評價和研究病人的腦功能網絡，並可能導致對研究結果的誤讀。
圖1 功能磁共振成像信號的扭曲和缺損
近日，清華大學醫學院洪波團隊、航天航空學院李路明團隊與河南省人民醫院王梅雲團隊、哈佛大學醫學院Martinos影像中心劉河生團隊合作，採用生成對抗網絡(Generative adversarial networks，GAN) 模型，對臨床上部分信號缺損的靜息態功能磁共振信號的實現準確修復。
生成對抗網絡是一種深度學習框架，由一組生成器和分類器組成，在圖像人工智能處理領域具有廣泛應用。在本研究中，團隊採用深度卷積生成式對抗網絡模型，通過對生成器進行正常樣本的對抗訓練，使其學習到正常樣本各個腦區共同激活的統計分佈，從而可以基於其中一部分腦區的激活信號，對另外一部分腦區缺損的功能磁共振信號進行預測。這種基於生成式深度學習模型的受損功能磁共振圖像修復技術，巧妙解決了現有磁共振預處理方法無法處理信號缺損腦功能圖像的難題。
該方法不僅可以修補大腦皮層網絡的連接圖譜，還可以實現信號缺損腦區功能磁共振激活時間序列的單幀重建，實現了對大腦激活磁共振信號在時間和空間上的完整重建。該方法在信號序列波動一致性、功能網絡連接圖譜相似性、以及個體大腦功能網絡特異性等方面，都達到了良好的性能指標。植入磁共振兼容腦起搏器的帕金森患者，腦功能圖像通過該方法實現了準確修復。該方法對於臨床診療和腦科學科研中，因信號採集和電極干擾等問題導致的功能磁共振信號的缺損，提供了一種新穎有效的解決方案。
圖2 基於生成對抗網絡實現缺損功能磁共振信號修復的方法
圖3 植入腦起搏器的帕金森患者大腦缺損功能磁共振信號得到修復
上述成果10月7日以“採用深度學習方法重建個體大腦缺損的血氧水平依賴信號”（Reconstructing lost BOLD signal in individual participants using deep machine learning）為題在線發表於《自然•通訊》（Nature Communications）上。
清華大學醫學院洪波教授、航天航空學院李路明教授、河南省人民醫院王梅雲教授、哈佛大學醫學院劉河生教授是本論文的共同通訊作者，清華大學醫學院博士生閆宇翔、河南省人民醫院博士後路易莎·達馬尼（Louisa Dahmani）、清華大學航天航空學院博士生任建勳為論文的共同第一作者。該研究得到了國家自然科學基金委、科技部重點研發計劃等支持。
文章鏈接
https://www.nature.com/articles/s41467-020-18823-9
報道來源：清華醫學院
