机器学习如何优化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缓慢。经历过MRI的人都知道，在嗡嗡作响的扫描仪内保持不动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重要但常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。与任何图像一样，MRI扫描始于原始数据。Tamir是某大学电气和计算机工程助理教授，他希望改进数据采集方式，更快地生成更好的图像。2020年，他获得了某机构的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相反，MRI机器的移动速度极快，在数十或数百毫秒的时间间隔内收集数千次测量。这些测量取决于磁力和射频电流施加到被检查区域的顺序和频率。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技术人员必须收集所有可能的测量数据，从低频到高频构建。每增加一层数据都会导致更清晰、更详细的图像，但收集这么多数据需要太长时间。鉴于对速度的需求，只能获取数据的子集。选择哪些数据？“这取决于我们计划如何重建图像，”Tamir解释说。
在他的计算传感与成像实验室，Tamir与同事合作优化捕获扫描的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：“与机器学习世界的其他部分相比，这是医学成像中的一个非常大的问题，”他说。
尽管仅在美国每年就产生数百万次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压缩到几兆字节。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。”他补充说，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和同事正在开发机器学习算法，可以从有限的数据中学习填补图像空白。Tamir和其他人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。另一种策略是使用机器学习首先优化采样轨迹。
“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和某大学的同事展示了一种深度学习技术，基于某大学fastMRI数据集和某大学数据集的欠采样扫描实现高质量图像重建。两者均可公开用于研究和教育目的。
其他图像重建方法利用端到端监督学习，在特定解剖结构和测量模型上训练时表现良好，但在面对临床实践中常见的异常时往往会退化。
相反，Tamir和同事使用分布学习，其中概率模型学习近似图像而不参考测量。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以前未见过的膝盖扫描。
“我们非常兴奋地将其作为基础模型来解决这些更大的问题，例如优化选择要收集的测量数据，并在完全可用的真实数据较少的情况下工作，”Tamir说。
Tamir和他的同事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组装图像，这是一种解析不同频率组合的基石算法。“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以迭代方式执行这些基本操作，执行数百或数千次傅里叶变换操作，然后分层附加类型的计算。
这些计算在某机构云中执行。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。这是因为即使获取原始测量方法加快了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，那么这在临床上不可行，”他说。“我们正在扩展这种计算，但我们需要以保持效率的方式进行。”
除了某机构云服务，Tamir还使用某机构Lambda将图像重建分解为逐像素，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在某大学攻读电气工程博士学位期间就已经熟悉某机构。在那里，他与电气工程和计算机科学教授Michael Lustig合作，使用深度学习减少某儿童医院患者的膝盖扫描时间。
作为本科生，Tamir通过无人驾驶飞行器（UAV）探索了对数字信号处理的兴趣，致力于检测地面物体的方法。在参加了Lustig在某大学的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感，但也是你可以视觉看到的东西，这太酷了，并且具有非常重要的社会影响。”
Tamir还与临床医生合作理解实践中的MRI问题。他和某健康中心的神经学家Léorah Freeman正在尝试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。
“在脑部MRI上肉眼看起来健康的组织在显微镜下可能不健康，”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感知的变化，这些变化可能与患者的表现、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，建立控制图像与多发性硬化症（MS）患者进行比较。他希望NeurIPS上提出的机器学习方法可以针对某医学中心的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时间。但这是Tamir的主要目标：临床采用。
“我们不仅仅试图提出在受控实验室环境中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，以改善患者治疗效果为目标。”
