机器学习优化MRI扫描的新突破

机器学习如何改进MRI扫描

对于许多患者来说，磁共振成像（MRI）扫描过程中的时间流逝极其缓慢。接受过扫描的人都知道，在嗡嗡作响的扫描仪内保持完全静止数分钟甚至超过一小时的挑战性。Jonathan Tamir正在开发机器学习方法，以缩短检查时间并从这一重要但常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。德克萨斯大学奥斯汀分校电气与计算机工程助理教授Tamir致力于改进数据采集方式，更快地获得更好的图像。2020年，他获得了某机构机器学习研究奖的支持。

与患者在扫描过程中的体验相反，MRI设备的运行速度极快，在数十或数百毫秒的时间间隔内收集数千次测量数据。这些测量取决于磁力和射频电流施加到被检测区域的顺序和频率。临床医生运行针对特定身体部位和MRI目的量身定制的序列。

为获得最高图像质量，MRI技术人员必须收集所有可能的测量数据，从低频到高频逐步构建。每增加一层数据都会使图像更清晰、更详细，但收集如此多的数据耗时过长。鉴于对效率的需求，只能获取部分数据。Tamir在其计算传感与成像实验室与同事合作，优化扫描捕获方法和处理原始信息的图像重建算法。

关键问题在于缺乏可用的"真实"数据：“这是医学成像与机器学习其他领域相比的一个非常大问题，“他表示。尽管仅在美国每年就产生数百万次MRI，但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。

Tamir团队正在开发机器学习算法，从有限数据中学习以填补图像空白。一种正在探索的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种欠采样数据重建完整图像。另一种策略是使用机器学习优化采样轨迹。

在NeurIPS 2021会议上发表的论文中，Tamir团队展示了一种深度学习技术，基于纽约大学fastMRI数据集和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。

与传统端到端监督学习方法不同，Tamir团队采用分布学习，其中概率模型学习近似图像而不参考测量值。这种方法既适用于测量过程变化（如改变采样轨迹），也适用于成像解剖结构变化（如从脑部扫描切换到模型未见过的膝盖扫描）。

传统MRI通过基于快速傅里叶变换的计算组装图像，这一基础算法解析不同频率的组合。“逆快速傅里叶变换就能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。”

但在机器学习工作中，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操作，然后分层进行其他类型的计算。这些计算在某机构云中进行。尽可能快地执行这些计算不仅从研究角度关键，从临床角度也是如此。

Tamir还与临床医生合作了解MRI实践中的问题。他与神经学家Léorah Freeman合作，试图找出机器学习方法如何使脑部扫描更快，同时检测人类可能看不到的属性。

“我们不仅仅试图在受控实验室环境中提出超越现有技术水平的酷炫方法，“Tamir表示，“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。“虽然特定方法进入标准MRI协议可能需要5到10年时间，但临床采用是Tamir的主要目标。