磁共振成像 (MRI) 是一种非侵入性诊断工具，用于检测和评估脑部疾病、肌肉骨骼损伤、心血管疾病和癌症。尽管 MRI 与其他医学成像技术相比具有许多优势，但速度较慢，这会增加成本、损害患者舒适度、影响图像质量并需要对儿童使用镇静剂。

由生物医学工程助理教授 Rizwan Ahmad 和电气与计算机工程教授 Philip Schniter 领导的跨学科工程师、医生和科学家团队获得了美国国立卫生研究院颁发的为期四年、价值 230 万美元的 R01 奖励，用于开发更快、更准确的 MRI 方法。

典型的 MRI 检查由多次扫描组成，可能需要一个小时或更长时间。对于每次扫描，患者可能需要静坐几分钟，即使是轻微的运动也可能影响图像质量。将 MRI 用于动态、时间敏感的应用的需求也在不断增长，例如对跳动的心脏或几秒钟内发生的瞬态现象进行成像。

“我们的主要驱动力之一是，我们希望通过采用传统技术将使用的测量的一小部分来加快这一过程，”施尼特解释说。“现在的问题是，如果我只进行一小部分测量，我将丢失所有这些信息。我该怎么做才能替换这些信息?”

为了替换丢失的信息并恢复图像，研究人员将开发和验证一个全面的、强大的深度学习 (DL) 框架，该框架可以超越现有技术的限制改进 MRI 重建。

他们提出的框架使用即插即用算法将物理驱动的数据采集模型与最先进的学习图像模型相结合。与现有的 MRI 重建方法相比，即插即用算法可以更快地恢复图像，具有更高的质量和潜在的优越诊断价值。研究人员还使用基于深度学习的降噪器来进一步细化图像。他们的方法在IEEE 信号处理杂志中有所描述。

“即插即用策略的独特之处在于它是基于机器学习的方法和传统工程物理方法的混合体，它在它们之间迭代以最终提供图像，”施尼特说。

一旦完全实施，该团队的方法可以将 MRI 扫描时间缩短一半。他们的解决方案不需要修改硬件;连接到 MRI 扫描仪的计算机工作站将执行计算。

“当临床医生坐在 MRI 扫描仪上时，他们希望在几秒钟内查看图像，”艾哈迈德解释说。“一旦开发出来，该算法将能够在几秒钟内几乎实时地恢复图像。”

为了证明其广泛的适用性，该团队将使用来自儿童和成人患者的 MRI 数据来验证其框架，这些数据专门用于心脏电影和脑部成像。Ahmad 说，如果成功，这些发展带来的加速和图像质量改进将使几乎所有 MRI 应用受益。

使 MRI 更快对儿科患者尤其重要。

“儿科成像是一个更大的问题，因为较小的孩子不会在 MRI 扫描仪中保持静止，所以他们必须让他们镇静，”艾哈迈德解释说。“越来越多的文献表明镇静会产生负面的长期后果，因此有必要将其最小化。对于儿科成像而言，我们可以非常快速地进行扫描非常重要。”

该团队还证明，在他们的解决方案中使用与正在成像的身体部位相对应的特定降噪器会产生更好的结果。这些算法通过去除不需要的采样伪像来增强图像。

“我们的目标也是在更特定于应用程序的基础上开发这个解决方案，”艾哈迈德说。“大脑图像看起来与心脏图像非常不同，因此我们可以对降噪器进行特定于应用程序的训练。由于它是一个更专业的降噪器，它的工作要好得多。”

在训练期间，该团队让他们的降噪器访问数千个图像数据集，包括来自纽约大学fastMRI 数据集的图像。

“降噪器是计算神经网络，因为它们的处理结构看起来很像哺乳动物的大脑，”施尼特说。“我们让他们访问大量医学图像，他们最终学习结构并学习如何对医学图像进行降噪，而我们从未明确告诉他们如何去做。”

作为该项目的一部分，研究人员还创建了一个包含数百个心脏图像数据集的开源存储库，以推动该领域的进一步发展。

“受我们的联合研究员 Florian Knoll 对 fastMRI 数据集所做的启发，我们希望对心脏数据做类似的事情，”Schniter 说。“建立数据集是该领域取得大量进展的催化剂。一旦人们有了数据，许多团队就可以使用这些数据并相互竞争以改进方法论。”

该项目的联合调查员包括俄亥俄州立医学院研究人员心血管医学副教授 Karolina Zareba、放射学和心血管医学教授奥兰多西蒙内蒂以及生物医学信息学研究副教授盖伊布洛克。来自全国儿童医院的 Mai-Lan Ho 博士和纽约大学的放射学助理教授 Florian Knoll 也是合作者。

这项研究得到了美国国家生物医学成像和生物工程研究所 (NIBIB) 的支持。

标签： 深度学习应用