机器学习如何优化MRI扫描速度与质量
对许多患者而言，磁共振成像（MRI）扫描过程中的时间流逝极为缓慢。曾接受过扫描的人都知道，在嗡嗡作响的设备中保持完全静止数分钟甚至超过一小时的挑战。Jonathan Tamir正在开发机器学习方法，以缩短检查时间并从这一必要但常令人不适的成像过程中提取更多数据。
MRI设备利用人体对强磁场和射频波的响应来生成内部图像，帮助检测疾病和监测治疗效果。与任何图像一样，MRI扫描始于原始数据。Tamir是德克萨斯大学奥斯汀分校电气与计算机工程助理教授，他致力于改进数据采集方式，以更快获得更优质的图像。2020年，他获得了某机构机器学习研究奖对该项目的支持。
缺乏"真实数据"的困境
尽管患者在扫描仪内的体验可能感觉时间漫长，但MRI设备的运行速度极快，在数十或数百毫秒的间隔内收集数千次测量数据。这些测量结果取决于磁力和射频电流施加到检测区域的顺序和频率。临床医生会根据扫描部位和目的运行特定序列。
为获得最高图像质量，MRI技师需要收集所有可能的测量数据，从低频到高频逐层构建。每增加一层数据都会使图像更清晰、更详细，但收集全部数据耗时过长。考虑到效率需求，实际只能采集部分数据。具体采集哪些数据？"这取决于我们计划如何重建图像，"Tamir解释道。
在他的计算传感与成像实验室中，Tamir与同事共同优化扫描捕获方法和处理原始信息的图像重建算法。一个关键问题是缺乏可用的"真实数据"："与机器学习其他领域相比，这是医学成像面临的巨大挑战。"
尽管仅在美国每年就产生数百万次MRI扫描，但Tamir团队仍面临数据短缺。MRI最终图像经过后处理仅剩几兆字节，而原始测量数据可能达到数百兆字节或千兆字节，这些数据并未被扫描仪保存。
"不同研究团队花费大量精力构建高质量的真实数据集供研究人员训练算法，"Tamir说，"但这些数据集非常有限。"他补充道，另一个问题是许多MRI并非静态图像，而是心跳等生物过程的"电影"，在这种情况下MRI扫描仪速度不足以收集完全采样数据。
随机采样与生成模型
Tamir团队正在开发能够从有限数据中学习填补图像空白的机器学习算法。他们探索的一种策略是随机收集扫描中约25%的可能数据，并训练神经网络基于这些欠采样数据重建完整图像。另一种策略是利用机器学习优化采样轨迹。
"随机采样是非常便捷的方法，但我们可以使用机器学习确定最佳采样轨迹，找出哪些数据点最重要，"他表示。
在发表于NeurIPS 2021的论文《基于深度生成先验的鲁棒压缩感知MRI》中，Tamir与同事展示了一种深度学习技术，能够基于纽约大学fastMRI数据集及斯坦福大学与加州大学伯克利分校MRIData.org数据集的欠采样扫描实现高质量图像重建。这两个数据集均公开供研究和教育使用。
与使用端到端监督学习的其他方法不同，Tamir团队采用分布学习，其中概率模型无需参考测量数据即可学习近似图像。这种方法在测量过程改变（如更改采样轨迹）或成像解剖结构变化（如从脑部扫描切换到模型未见过的膝盖扫描）时均可使用。
临床应用的挑战
传统MRI通过基于快速傅里叶变换的计算组装图像，"只需进行逆快速傅里叶变换即可将原始数据转换为图像，"Tamir说，"这可以在几毫秒内完成，非常简单。"
但在机器学习研究中，Tamir以迭代方式进行这些基本操作，执行数百或数千次傅里叶变换运算，然后叠加其他类型的计算。这些计算在某机构云平台上进行。从研究和临床角度看，尽可能快速执行这些计算至关重要。因为即使采集原始数据的方法加快了MRI速度，临床医生仍需要在患者在场时检查图像质量。
"如果扫描速度快，但重建需要10分钟或一小时，这在临床上不可行，"他说，"我们在扩展计算的同时，需要保持效率。"
除了使用某机构云服务，Tamir还利用AWS Lambda将图像重建分解为逐像素处理，将小数据块发送到不同Lambda节点，运行计算后聚合结果。
临床转化之路
Tamir还与临床医生合作了解实际中的MRI问题。他与UT Health Austin的多发性硬化症专家Léorah Freeman合作，研究机器学习方法如何加快脑部扫描速度，同时检测人眼可能无法观察到的特征。
"在脑部MRI上肉眼看起来健康的组织，在显微镜下可能并不健康，"Freeman说，"使用人工智能时，我们可以广泛观察大脑，尝试识别肉眼无法感知的变化，这些变化可能与患者的当前状况、未来发展和治疗反应相关。"
Tamir和Freeman从扫描健康志愿者大脑开始，建立控制图像与多发性硬化症患者图像进行比较。他希望NeurIPS会议上展示的机器学习方法能够适用于奥斯汀戴尔医学院的多发性硬化症患者。他表示，某种方法进入标准MRI协议可能需要五到十年时间，但临床转化正是他的主要目标。
"我们不仅仅试图在受控实验室环境中开发超越现有技术的新方法，"他说，"我们实际上希望在医院中使用它，以改善患者治疗效果为目标。"
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
公众号二维码
公众号二维码
