功能磁共振成像（fMRI）是研究人类脑功能的重要工具，但其数据长期受到噪声干扰的制约。比如，头部微动、呼吸与心跳等生理因素，以及扫描仪器本身的波动，都会影响 BOLD 信号的信噪比，从而影响脑功能定位、功能连接分析及结果的可重复性。尽管已有CompCor、ICA 等多种去噪方法被广泛使用，但这些方法大多依赖线性假设或人工规则，难以有效分离复杂、非线性的噪声成分。因此，亟需一种能够在保留真实神经信号的同时系统性去除噪声的新方法。
2025年11月28日，波士顿学院心理学与神经科学系的Yu Zhu、Aidas Aglinskas（共同第一作者）与Stefano Anzellotti（通讯作者）在 Nature Methods（IF=32.1）上发表了题为 "DeepCor: denoising fMRI data with contrastive autoencoders" 的文章。论文提出了一种基于生成式人工智能的fMRI 去噪框架 ------ DeepCor。该方法利用对比自编码器（contrastive autoencoder），从数据本身学习神经信号与非神经噪声之间的统计差异，从而实现更精准的信号重建。
与传统方法不同，DeepCor并不预先定义噪声模型，而是通过对比学习机制，利用"灰质区域（富含神经活动）与非神经区域（如脑室，主要反映噪声）"之间的差异，自动提取跨区域共享的噪声成分，并在重建过程中将其剔除。这样既避免了过度去噪，也最大程度保留了真实脑活动信息。
实验结果表明，DeepCor在模拟数据上的噪声去除性能相比传统方法提升约 339%；在真实人类 fMRI 数据中，相较常用的 CompCor 方法，去噪效果提升约 215%。去噪后的数据表现出更清晰的激活模式和更稳定的功能连接结构，显著提高了后续分析的可靠性。
图1 DeepCor工作流程概述及其在简单合成数据集上的表现
图2 DeepCor在BrainIAK模拟数据和真实fMRI数据上的性能评估
总之，DeepCor 为 fMRI 数据预处理提供了一种全新的 AI 驱动思路，不仅显著提升了脑功能成像的清晰度，也增强了神经影像研究结果的稳定性与可重复性。该方法有望广泛应用于大规模脑影像数据库及临床研究中，为脑功能异常的精细表征提供更可靠的数据基础。
参考文献
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