本报讯 （记者常 娟  冯金灿）10月10日，记者获悉，河南省人民医院王梅云团队与清华大学医学院洪波团队、航天航空学院李路明团队等合作，采用生成对抗网络模型，对临床上部分信号缺损的静息态功能磁共振信号实现了准确修复。
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可广泛应用。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，比如颅内电极、深部脑刺激器等，严重妨碍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。
王梅云和合作团队采用的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可广泛应用。在研究中，王梅云和合作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，巧妙地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。该技术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，且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，为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有效的解决方案。
目前，植入磁共振兼容脑起搏器的帕金森病患者，已通过该方法实现了脑功能图像的准确修复。该成果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》为题在线发表在《自然·通讯》上。