基于T1WI的脑网络生成对抗模型BrainNet-GAN：实现功能脑网络(FBN)的临床转化应用

针对功能磁共振成像(fMRI)在临床中非例行采集导致功能脑网络(FBN)应用受限的问题，研究人员提出BrainNet-GAN模型，通过常规T1加权图像(T1WI)构建的放射组学形态脑网络(radMBN)生成FBN。该模型集成Multi2Ada生成器和Local_to_Global判别器，采用多角度多约束(MAMC)损失函数，在2116例跨数据集验证中展现出优异的生成性能，为FBN临床普及提供新范式。

　　

功能脑网络(Functional Brain Network, FBN)作为功能磁共振成像(fMRI)的重要衍生指标，虽在临床研究中潜力巨大，却因fMRI非例行采集的特性难以普及。为此，这项研究开创性地提出BrainNet-GAN模型——一种能从常规T1加权图像(T1WI)衍生的放射组学形态脑网络(Radiomics-based Morphological Brain Network, radMBN)生成FBN的图卷积生成对抗网络。

该模型架构暗藏玄机：双路多通道多尺度自适应(Multi²Ada)生成器在每通道内运用图卷积网络(Graph Convolutional Network, GCN)，巧妙聚合节点直接/间接邻居的多尺度信息，并通过可学习系数动态融合各通道输出；对应的双路局部到全局(Local_to_Global)判别器则采用多通道GCN聚合局部节点特征，其创新的特征选择模块能建立跨通道特征映射的关联。研究人员还精心设计了多角度多约束(Multi-Angle Multi-Constraint, MAMC)损失函数，从多维度指导模型优化。

在跨越两大公开数据集、2116例受试者的大规模验证中，BrainNet-GAN展现出令人振奋的性能：个体水平可视化显示生成FBN与目标FBN高度一致；通过图论分析筛选的Top10关键脑区也呈现显著一致性。这项突破不仅为FBN临床转化搭建了新桥梁，其创新的Multi²Ada架构和MAMC优化策略更为图数据生成领域提供了普适性技术框架。