《NeuroImage》：The evaluation of DUNE: a U-Net-based neural network to denoise multi-echo fMRI data
编辑推荐：
本研究针对任务态功能磁共振成像（fMRI）中存在的扫描仪噪声和生理噪声干扰问题，开发了一种基于U-Net架构的深度学习模型DUNE，用于多回波fMRI数据的去噪处理。通过与传统的多回波独立成分分析（MEICA）和高时间分辨率单回波fMRI对比，研究发现DUNE能够有效降低噪声同时保留目标BOLD信号，为fMRI数据去噪提供了新的深度学习解决方案。该研究成果对提升脑功能成像数据分析的可靠性具有重要意义。
在脑科学研究领域，功能磁共振成像（fMRI）技术如同探索大脑奥秘的"望远镜"，但这把望远镜的镜片却常常被各种"雾气"所干扰——扫描仪产生的信号漂移和尖峰噪声，以及受试者不可避免的头部运动、呼吸和心跳等生理噪声，都使得从复杂数据中提取真实的脑功能活动信号变得异常困难。特别是在任务态fMRI研究中，由于任务执行本身可能引发头部运动或心率变化，这些噪声信号甚至可能与任务设计产生虚假相关性，进一步增加了数据分析的难度。
传统的去噪方法如基于独立成分分析（ICA）的技术虽然广泛应用，但存在固有局限性：ICA分解得到的成分往往是噪声与有效信号的混合体，且成分分类缺乏明确的界限标准。尽管出现了FIX、AROMA等自动分类工具，但其效果仍依赖于初始ICA分解的质量。多回波fMRI（ME-fMRI）与MEICA结合的方法通过利用BOLD信号的T2依赖性来区分神经活动与噪声，但该方法需要可靠的T2图谱，且在回波数较少时效果受限。
在此背景下，布鲁塞尔自由大学的研究团队在《NeuroImage》上发表了一项创新研究，提出了一种名为DUNE（Denoising U-NEtwork）的新型U-Net架构神经网络，专门用于多回波fMRI数据的去噪处理。这项研究不仅将深度学习技术引入fMRI去噪领域，更为解决传统方法的局限性提供了新思路。
研究人员采用了精心设计的实验方案，包括11名健康受试者，每人均完成了情绪面孔识别（EFR）和情景未来思考（EFT）两项认知任务的功能磁共振成像扫描。关键技术方法包括：采用多回波fMRI序列（TR=2000ms，TE=22.9/72.2ms）和高时间分辨率单回波fMRI（TR=800ms，TE=30ms）对比；基于U-Net架构开发三层DUNE神经网络模型，使用自定义复合损失函数进行训练；采用改进的ICA-AROMA算法进行传统去噪对比；通过一般线性模型（GLM）分析计算加权重叠图（WOM）评估激活一致性；在64个感兴趣区域（ROI）内比较残差均方（ResMS）、低频波动分数振幅（fALFF）和百分比信号变化（PSC）等指标。
2.7. DUNE去噪
DUNE模型采用经典的U-Net架构，包含3个层次的编码器-解码器结构。编码器部分每层包含两个卷积滤波器，各后续进行层归一化；解码器部分首先应用转置卷积滤波器，随后是两个带层归一化的卷积滤波器。编码器与解码器之间通过跳跃连接实现特征融合。模型的创新之处在于其输出设计：不仅生成包含BOLD信号的主要输出，还额外产生一个非BOLD信号输出，旨在区分T2*相关的BOLD效应与脑血流量（CBF）、脑血容量（CBV）变化相关的信号。
模型的训练采用了复杂的自定义损失函数，结合了多个优化条件：最小化输出信号与噪声回归量的相关性、最大化BOLD信号在[0.01-0.1]Hz频带的功率分数、保留原始输入信号特征等。特别值得注意的是，研究者为BOLD和非BOLD输出分别设计了基于TE的权重因子，BOLD权重模拟T2加权组合（以60ms为近似T2值），非BOLD权重则受SEEP和VASO fMRI技术启发（对TE<25ms信号更敏感）。
3. 结果
3.1. 情景未来思考任务
结果显示，DUNE去噪后的BOLD信号分析得到的"情景>语义"对比激活图与SE-fMRI和MEICA结果高度一致，均显示了广泛的大脑激活模式。特别值得注意的是，在非BOLD信号分析中，后扣带皮层（PCC）区域也发现了"情景>语义"的显著差异，提示非BOLD输出可能捕获了与传统BOLD信号不同的神经活动信息。
3.2. 情绪面孔识别任务
在情绪面孔识别任务中，DUNE处理后的BOLD信号在"负面>中性"和"正面>中性"对比中均显示出与MEICA和SE-ICA相当的激活模式。然而，在"负面>正面"和"负面< />
3.3. ROI分析结果
定量分析表明，DUNE的BOLD输出在所有分析方法中具有最高的fALFF值（0.74-0.75），表明其更好地保留了低频波动信号。与此同时，DUNE的残差均方（ResMS）显著高于MEICA（EFT任务：5.7±6.7 vs 0.8±1.7；EFR任务：4.4±4.0 vs 0.4±0.4），这可能是由于DUNE保留了更多原始信号变异。重要的是，所有方法的百分比信号变化（PSC）均无显著差异，说明DUNE在保留效应大小方面与传统方法相当。
4. 讨论与结论
本研究成功开发并验证了DUNE这一基于U-Net的深度学习模型，用于多回波fMRI数据的去噪处理。与传统的MEICA相比，DUNE不需要依赖预先的ICA分解，直接利用多回波信号的时间特性进行端到端的去噪处理，代表了fMRI数据处理方法的重要创新。
研究结果表明，DUNE在保留任务相关BOLD信号的同时，能够有效降低生理噪声的影响，其性能与当前金标准MEICA相当。特别值得注意的是，DUNE独特的双输出设计（BOLD和非BOLD信号）为探索不同类型的神经血管耦合机制提供了新途径。虽然本研究仅使用了两个回波的ME-fMRI数据，限制了非BOLD输出中CBF/CBV效应的充分分离，但这一架构为未来包含更短TE的ME-fMRI研究奠定了基础。
从方法学角度看，DUNE的训练效率令人鼓舞——即使在2016款MacBook Pro仅使用CPU的情况下，每个fMRI扫描的训练时间也仅约45分钟。随着计算资源的不断提升，深度学习驱动的fMRI去噪有望成为标准处理流程的可行组成部分。
这项研究的成功实施，标志着深度学习技术在fMRI数据处理领域的成熟应用，为克服传统去噪方法的局限性提供了有力工具。DUNE不仅适用于任务态fMRI，其与任务设计无关的损失函数设计也使其可能适用于静息态fMRI的连通性分析，尽管这需要进一步验证。未来研究可探索DUNE在更多回波、更短TE的ME-fMRI数据中的应用，以充分发挥其分离BOLD与非BOLD信号的潜力。
