Nat. Methods | DeepCor: 基于对比自编码器的 fMRI 去噪方法

DRUGONE

功能磁共振成像能够以高空间分辨率捕捉脑活动，但信号极易受到运动、心跳和设备噪声影响。研究人员提出 DeepCor，一种基于对比自编码器的生成式去噪模型，可在单一受试者数据上训练，并同时适用于任务态与静息态 fMRI。DeepCor 可自动分离仅存在于无兴趣区的噪声特征，并从包含神经信号的兴趣区中移除这些噪声。在模拟数据中，DeepCor 的恢复精度显著高于主流方法；在真实 fMRI 中，DeepCor 对面孔刺激的 BOLD 响应增强效果比广泛使用的 CompCor 高出 215%。

功能磁共振成像广泛应用于认知与临床研究，但其信号极易受到多源噪声干扰。传统方法（例如 CompCor）依赖从无兴趣区提取噪声成分，并假设噪声在各区域间以线性方式传播。然而 fMRI 信号中噪声与神经活动可能以非线性的方式相互作用，使传统方法在复杂场景下难以有效分离噪声。

近年来，深度学习方法在 fMRI 去噪中展现潜力，但存在局限：一些方法只能用于任务态实验，另一些需要大量受试者训练。研究人员开发的 DeepCor 能在单一受试者的少量时间序列上训练，可同时应用于任务态和静息态，并通过对比学习主动分离“噪声特征”与“神经信号特征”。

方法

DeepCor 首先从兴趣区（ROI）提取包含信号与噪声的体素时间序列，并从无兴趣区（RONI）提取仅包含噪声的体素。模型使用对比变分自编码器，将 ROI 时间序列分别编码为“信号特征”和“噪声特征”，而 RONI 仅用于训练“噪声特征”路径。在推理阶段，将 ROI 的“噪声特征”置零后再通过解码器重建，即得到去噪后的 fMRI 时间序列。研究人员将每个体素视为独立样本，并构建训练、验证、测试集，以实现可靠训练并避免过拟合。

结果

在简单模拟数据中的表现

研究人员首先构建由三角函数组成的信号与噪声，并在不同噪声水平与线性/非线性组合条件下进行评估。

在 线性组合噪声 中：

• DeepCor 的平均重建精度比 CompCor 高 50%。

在 非线性噪声 中：

• DeepCor 的性能仍显著优于 CompCor，提升幅度约 24%。

更逼真 fMRI 仿真中的表现

研究人员使用 BrainIAK 的 fmrisim 构建包含漂移、心跳、机器噪声等复杂因素的模拟数据：

• 在此真实度更高的数据中，DeepCor 的平均 R² 值为 0.55，相较 CompCor 提升 339%（图2）。
• DeepCor 在不同噪声强度、不同时间长度以及不同训练体素数量中均保持稳定优越的性能。

在真实 fMRI 数据中的表现

研究人员使用 StudyForrest 数据集，通过面孔任务在 FFA（梭状回面孔区）验证去噪效果：

• CompCor 相比“无去噪”使 FFA–面孔回归相关性提升 0.018。
• DeepCor 提升幅度为 0.056，是 CompCor 的 215%。
• DeepCor 在所有受试者中均提升了对面孔刺激的响应强度。

此外，在静息态 fMRI 中，DeepCor 进一步提高网络可分离性，使功能连接矩阵更清晰，网络间差异更加突出。

讨论

DeepCor 通过对比学习和生成式建模显著改善了 fMRI 数据的噪声分离能力。模型只需单一受试者、较短的时间序列即可训练，并能适应不同的数据长度、扫描设置与噪声特性。与传统 CompCor 和深度学习方法 DeNN 相比，DeepCor 在模拟与真实数据中均取得更高的信号恢复度。

由于 DeepCor 不依赖任务设计信息，它能应用于任务态与静息态研究，并且能够处理个体差异，是临床与个性化神经影像分析的潜在重要工具。

整理 | DrugOne团队

参考资料

Zhu, Y., Aglinskas, A. & Anzellotti, S. DeepCor: denoising fMRI data with contrastive autoencoders. Nat Methods (2025).

https://doi.org/10.1038/s41592-025-02967-x

内容为【DrugOne】公众号原创｜转载请注明来源