研究人员采用深度学习方法解决功能磁共振缺损信号修复难题

功能磁共振成像是通过血氧信号探测大脑功能活动的常用方法,无创而且空间精度高,在脑科学研究和脑疾病诊疗中具有广泛应用。然而,功能磁共振采集到的大脑活动信号常常会受到磁化率伪影、金属植入物的干扰,造成局部的信号扭曲甚至缺损。神经外科临床诊疗中,难治性癫痫患者为了进行手术规划而植入的颅内电极、帕金森病人为了缓解震颤而植入的深部脑刺激器,这些植入物及其导线和连接器,都会对功能磁共振信号产生干扰,严重妨碍了通过功能磁共振成像评价和研究病人的脑功能网络,并可能导致对研究结果的误读。

日前,清华大学医学院洪波团队、航空航天学院李路明团队与河南省人民医院王梅云团队、哈佛大学医学院Martinos影像中心刘河生团队合作,采用生成对抗网络(Generative adversarial networks,GAN)模型,对临床上部分信号缺损的静息态功能磁共振信号实现准确修复。

获取更多前沿科技信息访问:https://byteclicks.com

生成对抗网络是一种深度学习框架,由一组生成器和分类器组成,在图像人工智能处理领域具有广泛应用。在本研究中,团队采用深度卷积生成式对抗网络模型,通过对生成器进行正常样本的对抗训练,使其学习到正常样本各个脑区共同激活的统计分布,从而可以基于其中一部分脑区的激活信号,对另外一部分脑区缺损的功能磁共振信号进行预测。这种基于生成式深度学习模型的受损功能磁共振图像修复技术,巧妙解决了现有磁共振预处理方法无法处理信号缺损脑功能图像的难题。该方法不仅可以修补大脑皮层网络的连接图谱,还可以实现信号缺损脑区功能磁共振激活时间序列的单帧重建,实现了对大脑激活磁共振信号在时间和空间上的完整重建。该方法在信号序列波动一致性、功能网络连接图谱相似性、以及个体大脑功能网络特异性等方面,都达到了良好的性能指标,并在植入脑起搏器的帕金森患者脑功能成像中得到验证。该方法对于临床诊疗和脑科学科研中因信号采集和电极干扰等问题导致的功能磁共振信号的缺损,提供了一种新颖有效的解决方案。

图1  基于生成对抗网络实现缺损功能磁共振信号修复的方法

图1  基于生成对抗网络实现缺损功能磁共振信号修复的方法

图2  植入脑起搏器的帕金森患者大脑缺损磁共振信号得到准确修复

图2  植入脑起搏器的帕金森患者大脑缺损磁共振信号得到准确修复

上述成果10月7日以“采用深度学习方法重建个体大脑缺损的血氧水平依赖信号”(Reconstructing lost BOLD signal in individual participants using deep machine learning)为题在线发表于《自然•通讯》(Nature Communications)上。

清华大学医学院洪波教授、航空航天学院李路明教授、河南省人民医院王梅云教授、哈佛大学医学院刘河生教授是本论文的共同通讯作者,清华大学医学院博士生闫宇翔、河南省人民医院博士后路易莎·达马尼(Louisa Dahmani)、清华大学航空航天学院博士生任建勋为论文的共同第一作者。该研究得到了国家自然科学基金委、科技部重点研发计划等支持。[来源清华大学]

上一篇:

下一篇:


标签