机器学习技术如何改进MRI扫描

对于许多患者来说，在磁共振成像（MRI）扫描过程中时间过得异常缓慢。那些经历过MRI扫描的人都深知在嗡嗡作响的扫描仪内保持绝对静止数分钟甚至超过一小时的挑战。Jonathan（Jon）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通常令人不适的成像过程中提取更多数据。

MRI机器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的电气与计算机工程助理教授，他希望改进数据采集方式，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以支持这项工作。

缺乏"真实"MRI数据

与患者在机器内的体验感受相反，MRI机器的运行速度极快，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。临床医生运行针对身体部位和MRI目的量身定制的特定序列。

为了获得尽可能高的图像质量，MRI技师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。考虑到效率需求，只能获取部分数据。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，Tamir正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。一个关键问题是缺乏可用的"真实"数据：“与机器学习的其他领域相比，这是医学成像中一个非常大的问题，“他说。

尽管仅在美国每年就会生成数百万个MRI，但Tamir和同事缺乏数据可能令人惊讶。然而，MRI的最终图像经过后处理已缩减到几兆字节。另一方面，原始测量数据可能达到数百兆字节或千兆字节，这些数据不会被扫描仪保存。

“不同的研究小组花费大量精力构建高质量的真实数据集，以便研究人员可以使用它来训练算法，“Tamir说。“但这些数据集非常非常有限。“他补充的另一个问题是，许多MRI不是静态图像。它们是生物过程的电影，例如心脏跳动。在这种情况下，MRI扫描仪不够快，无法收集完全采样的数据。

随机采样

Tamir和同事正在研究机器学习算法，这些算法可以从有限的数据中学习，从而在图像上填补空白。Tamir和其他人正在探索的一种策略是随机收集扫描中可能数据的约25%，并训练神经网络基于这种欠采样数据重建整个图像。另一种策略是首先使用机器学习来优化采样轨迹。

“随机采样是一种非常方便的方法，但我们可以使用机器学习来决定最佳采样轨迹，并找出哪些点最重要，“他说。

在2021年神经信息处理系统（NeurIPS）会议上发表的"具有深度生成先验的鲁棒压缩感知MRI"中，Tamir和UT-Austin的同事展示了一种深度学习技术，该技术基于纽约大学fastMRI数据集以及斯坦福大学和加州大学伯克利分校的MRIData.org数据集的欠采样扫描实现了高质量的图像重建。这两个数据集都公开供研究和教育用途。

其他解决图像重建问题的方法使用了端到端监督学习，这种方法在针对特定解剖结构和测量模型进行训练时表现良好，但在面对临床实践中常见的异常时往往会性能下降。

相反，Tamir和同事使用了分布学习，其中概率模型学习在不参考测量的情况下近似图像。在这种情况下，该模型既可以在测量过程改变时使用，例如改变采样轨迹时，也可以在成像解剖结构改变时使用，例如从脑部扫描切换到模型从未见过的膝部扫描。

“我们非常兴奋能将此作为基础模型来解决我们一直在讨论的这些更大问题，例如优化选择要收集的测量数据，以及在真实数据不完全可用的情况下工作，“Tamir说。

Tamir和他的同事已经发表了另外三篇与某机构研究奖相关的论文。一篇专注于使用双曲几何表示数据；另一篇使用展开交替优化加速MRI重建。Tamir还开发了一个开源的MRI模拟器，可以在GPU上以分布式方式运行，以找到特定重建的最佳扫描参数。

临床采用之路

传统的MRI通过基于快速傅里叶变换的计算来组装图像，快速傅里叶变换是一种解析不同频率组合的基础算法。“只需要一个逆快速傅里叶变换就可以将原始数据转换为图像，“他说。“这可以在几毫秒内完成。非常简单。”

但在他的机器学习工作中，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，然后叠加其他类型的计算。

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而且从临床角度都是关键。这是因为即使采集原始测量的方法加快了MRI速度，临床医生仍然必须在患者在场时检查图像质量。

“如果我们有快速扫描，但重建现在需要10分钟或一小时，那么这在临床上将不可行，“他说。“我们正在扩展这种计算，但我们需要以一种保持效率的方式进行。”

除了某机构云服务，Tamir还使用了某机构Lambda将图像重建分解为逐像素处理，将小数据位发送到不同的Lambda节点，运行计算，然后聚合结果。

Tamir在加州大学伯克利分校攻读研究生时就已经熟悉某机构，他在那里获得了电气工程博士学位。在那里，他与电气工程和计算机科学教授Michael（Miki）Lustig合作，使用深度学习减少斯坦福儿童医院患者的膝部扫描时间。

作为本科生，Tamir通过无人驾驶飞行器（UAV）探索了他对数字信号处理的兴趣，研究检测地面物体的方法。在加州大学伯克利分校修完Lustig的MRI原理课程后，他爱上了MRI：“它具有与UAV成像相同的数学兴奋点，而且你还可以视觉上看到一些东西，这太酷了，并且具有非常重要的社会影响。”

Tamir还与临床医生合作了解实践中的MRI问题。他和Léorah Freeman，一位在UT Health Austin为多发性硬化症（MS）患者工作的神经学家，正在试图弄清楚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。

“在脑部MRI上肉眼看起来健康的组织，如果我们在显微镜下观察，可能并不健康，“Freeman说。“当我们使用人工智能时，我们可以广泛观察大脑，并尝试识别肉眼可能无法察觉的变化，这些变化可能与患者的状况、他们未来的表现以及他们对治疗的反应有关。”

Tamir和Freeman从扫描健康志愿者的大脑开始，建立控制图像与MS患者的图像进行比较。他希望 NeurIPS上展示的机器学习方法可以针对奥斯汀Dell医学院的MS患者进行定制。他说，在特定方法进入标准MRI协议之前可能需要五到十年。但这是Tamir的主要目标：临床采用。

“我们不仅仅是想在这个受控实验室环境中提出超越现有技术水平的酷方法，“他说。“我们实际上希望在医院中使用它，目标是改善患者的治疗效果。”