AI與MRI的結合

要了解 fastMRI 的方法，首先回顧一下 MRI 的工作原理是有幫助的。

為了創建需要審查的圖像，MRI 使用磁場與身體軟組織和重要器官中的氫原子相互作用。這些原子然后發出電磁信號，就像燈塔一樣，指示原子在身體的什么位置。這些信號被掃描儀收集為一連串單獨的二維頻率測量，即所謂的k空間數據。

一旦所有數據最終收集完畢，系統就會將一個復雜的數學公式—逆傅里葉變換—應用到該原始k空間數據中，以創建膝關節、背部或大腦或身體其他區域的詳細 MR 圖像。如果沒有一套完整的數據點，數學無法準確地指出每個信號的來源。

fastMRI 團隊使用了一種完全不同的方式來創建圖像，這種方式需要的原始數據要少得多。研究人員建立了一個神經網絡，并使用世界上最大的膝關節 MRI 開源數據集對其進行訓練，該數據集由紐約大學 Langone Health 創建和共享，并作為 fastMRI 計劃的一部分。

fastMRI 研究團隊刪除了每次掃描中大約四分之三的原始數據，然后將剩余的信息輸入到 AI 模型中。然后，該模型學會了從有限的數據中生成完整的圖像。重要的是，AI 生成的圖像并不只是看起來像普通的 MRI，它生成的圖像與標準的 MRI 過程創建的地面真實圖像相匹配。

打個比方就是，AI 把一個 1000 塊拼圖中的 250 塊拼圖拿出來，然后靠自己的能力生成了整個圖像，這不是模仿不是看起來像，而是可以做到和盒子上顯示的完整拼圖完全匹配。

fastMRI 的方法與其他將人工智能用于醫學的嘗試不同。通常這些算法的目的是像醫生一樣，自動審查醫學圖像，試圖發現潛在的問題。但 fastMRI 并沒有試圖成為一個醫生，它只是一個工具，來從稀疏的信息中創造出一個完整的圖像，從而縮短 MRI 的時間。

為每一個需要MRI的病人節約寶貴的時間

fastMRI 背后的研究人員必須確保他們的模型在追求速度的過程中不會犧牲準確性。僅僅是圖像中的幾個缺失或不正確的建模點，就可能意味著找到撕裂的韌帶或可能的腫瘤，并給患者一個不正確的全清楚的報告之間的差異。

即將發表在 American Journal of Roentgenology 上的臨床研究表明，fastMRI 的 AI 模型確實能夠生成與標準 MRI 一樣準確、有用、可靠的圖像。研究表明，fastMRI 可以生成 ＂可診斷互換 ＂的膝關節損傷 MRI 圖像，而掃描機的原始數據使用量卻減少了 75％左右。參與研究的專家放射科醫生無法將 AI 加速的圖像與傳統圖像區分開來。

fastMRI 只需要安裝在現有 MRI 機器上即可使用，這也大大提高了該技術的推廣可能。

fastMRI 目前的臨床研究是向前邁出的非常重要的一步，但它可以有更多的發展空間。接下來，Facebook 人工智能和紐約大學 Langone 的研究人員希望證明，fastMRI 對其他重要器官，如大腦，也同樣有效。

FastMRI 還在 GitHub 公布了它的數據、模型和代碼，以便其他研究人員可以在他們的工作基礎上，貢獻新的想法。fastMRI 團隊希望這種開放的方式能夠加快這項技術的進展，并帶來使用 fastMRI 掃描的新突破。

更重要的是， MRI 制造商現在就可以自由地公開的數據，用他們的機器測試 fastMRI，并將由此帶來的優勢迅速帶給患者。

對于 fastMRI 來說，還有更多的事情要做。但很快有一天，AI 加速的 MRI 可能會造福全球數百萬人。