在磁共振成像 (MRI) 扫描期间，对于许多人来说，时间似乎是静止的。那些经历过的人都明白，在嗡嗡作响的扫描仪内保持不动不动的困难，时间从几分钟到一个多小时不等。
亚马逊研究奖获得者和 UT Austin 研究员 Jonathan (Jon) Tamir 正在研究机器学习方法，以减少考试时间并从这个必要但经常令人不快的成像过程中提取更多信息。
MRI 设备通过使用身体对强大磁场和射频波的反应来提供我们内部的图像，这有助于检测疾病和监测治疗。MRI 扫描从原始数据开始，就像任何其他图像一样。研究人员的目标是改进获取数据的方式，以快速生成更好的照片。
不是“真实情况”的 MRI 数据。
与他们
体内患者的感受相反，MRI 机器移动得非常快，以数十或数百毫秒的间隔进行数千次测量。将磁力和射频电流传递到被测区域的顺序和频率会影响读数。临床医生使用针对身体区域和目标量身定制的 MRI 序列。
MRI 技术人员必须收集所有可行的测量值，从低频到高频工作，以提供可能的最佳图像质量。
每一层数据都为图像增加了清晰度和细节，但收集这么多数据需要太长时间。由于速度的需要，只能获取一部分数据。
研究人员正在尝试改进获取扫描的方法和解释原始数据的图像重建算法。一个重要的问题是“真实”数据的稀缺性：“与机器学习领域的其他领域相比，这是医学成像领域的一个相当大的问题。”
MRI 的最终图像已被后处理到几兆字节。另一方面，原始测量值可能是数百兆字节或千兆字节，扫描仪不会保存它们。各种研究小组投入了大量精力来开发高质量的真实数据数据集，学者们可以使用这些数据集来训练算法。但是这些数据集非常有限。
另一个问题是许多 MRI 不是静态图像。它们是显示生物过程的视频，例如心脏的跳动。在某些情况下，MRI 扫描仪的速度不足以获得完全采样的数据。
随机抽样
可以从有限数据中学习并填补照片空白的机器学习算法正在开发中。有可能从扫描中随机收集大约 25% 的可能数据，并训练神经网络以使用欠采样数据重新创建整个图像。
另一种选择是利用机器学习来优化样本轨迹。
随机抽样很容易，但机器学习确定了理想的样本轨迹并确定了哪些点是最重要的。
在 2021 年神经信息处理系统 (NeurIPS) 会议上介绍了一种基于 fastMRI 数据集和 MRIData.org 数据集的欠采样扫描建立的高质量图像重建的深度学习技术。两者都向公众开放供学习和教育。
其他图像重建技术依赖于端到端的监督学习，这种方法在教授个体解剖学和测量模型时效果很好，但在遇到临床实践中出现的异常时会失败。
相反采用了一种称为分布学习的技术，其中概率算法在不使用测量值的情况下学习逼近图像。当测量程序发生变化时，例如改变样本轨迹时和成像解剖结构发生变化时，例如从脑部扫描移动到模型以前未见过的膝部扫描时，可以使用该模型。
一个专注于使用双曲线几何表示数据，而另一个则采用展开的交替优化来加速 MRI 重建。一种分布在 GPU 上的开源 MRI 模拟器，用于识别给定重建的最佳扫描参数。
传统的 MRI 使用基于快速傅里叶变换的计算来组装图像，这是解决频率组合的基本程序。将原始数据转换为图像需要进行快速傅立叶逆变换。这可以在几毫秒内发生。
然而在机器学习工作中，傅里叶变换数百或数千次，然后才开始进行新的计算。这些计算由 Amazon Web Services 在云中执行。从科学的角度和治疗的角度来看，尽快做到这一点的能力是至关重要的。这是因为即使原始测量方法加快了 MRI 的速度，临床医生仍必须在患者在场时检查图像质量。
除了AWS 云服务之外，还使用 AWS Lambda 来逐个像素地分解图像重建，将微量数据传送到多个 Lambda 节点，进行计算，然后收集结果。
论文：
https://arxiv.org/pdf/2108.01368.pdf
Github：
https://github.com/utcsilab/csgm-mri-langevin
参考：
https://www.amazon.science/research-awards/success-stories/how-new-machine-learning-techniques-could-improve-mri-machine-images
