据国外媒体 Tech Xplore 报道，由生物医学工程助理教授里兹万・艾哈迈德教授（Biomedical Engineering Assistant Professor Rizwan Ahmad）和电气和计算机工程教授菲利普・施尼特（Electrical and Computer Engineering Professor Philip Schniter）组成的跨学科研究团队打造了一个更全面、更强大的深度学习框架。
该深度学习框架可以通过即插即用的算法（plug-and-play algorithms）突破现有核磁共振成像（Magnetic resonance imaging，MRI）的技术局限。与现有的 MRI 成像方法相比，即插即用的算法成像速度将缩短一半。
该研究成果获得美国国立卫生研究院（National Institutes of Health）四年一次颁发的的 R01 奖项，获得 230 万美元奖金（约为 1487 万元）。
此外，这项研究还得到了美国国家生物医学成像和生物工程研究所（National Institute of Biomedical Imaging and Bioengineering）的支持。
一、耗时长，检测难，MRI 在儿科成像遭遇难题
核磁共振成像是一种非侵入性诊断工具，可用于检测和评估脑疾病、肌肉骨骼损伤、心血管疾病和癌症等疾病。
一次基本的核磁共振检查需要包括多次身体扫描，这可能要耗时一个小时或更长时间。因为轻微的运动可能会影响图像质量，所以每次核磁共振扫描结束，患者可能都需要保持身体不动几分钟。
目前，一些动态场景、瞬时记录的应用常常需要使用核磁共振技术，比如心脏跳动的成像或几秒钟内发生的瞬态现象。
虽然核磁共振成像比其他医学成像技术有许多优势，但它仍有成像速度慢、设备成本高、图像质量低等不足之处。
此外，由于当前的核磁共振检查需将患者放置于强大磁场内，用射频脉冲（ radiofrequency pulse）激发产生磁共振信号（magnetic resonance signal），该信号被机器设备摄取后，形成核磁共振影像。而在射频脉冲激发过程中会产生较大噪声，患者常常容易感到不适，并且儿童患者使用核磁共振检测时，可能会需要镇静剂。
“这是一个儿科成像的难题，因为体型较小的孩子不愿意一直呆在核磁共振扫描仪里，所以必须让他们安静下来”，艾哈迈德说到，“越来越多的研究表明，长期使用镇静剂会有负面影响，所以我们有必要减少镇静剂的使用。非常快速地成像对儿科来说非常重要。”
二、即插即用的算法增加成像速度
施尼特谈到，“我们（进行实验的）主要动力之一是，我们希望通过利用原有检测技术检查患者的身体，但缩短核磁共振成像时间。我们可以通过每次快速检测患者的某个局部，然后将所有数据汇总，最终形成所需的核磁共振图像。这样就能避免因为患者的一些小动作而导致成像失败的情况。”，“现在的问题是，我们得到了患者身体的局部数据后，（重新检测时）将会丢失之前所有数据。我要如何保留这些数据进行汇总？”
为了保留每次检测的图像数据，从而达到加速核磁共振成像的效果，研究团队开发和验证了一个全面且强大的深度学习框架。
他们通过即插即用的算法，将物理驱动的数据采集模型与最先进的图像学习模型相结合，研发出更快、更准确的核磁共振方法。与现有的 MRI 重建方法相比，即插即用的算法成像图像的速度更快，具有更高的质量和潜在卓越的诊断价值。
“即插即用的算法独特之处在于，它将机器学习的方法和传统物理工程方法相结合，并在二者之间不断迭代优化，最终生成图像。”
一旦该研究完全落地实施，该研究团队的新方法可以将核磁共振扫描的时间缩短到一半。他们的新方案不需要增添或修改任何设备硬件。而计算任务也将由计算机工作站连接到 MRI 扫描仪执行。
“当临床医生站在核磁共振扫描仪前时，他们希望能在几秒钟内就看到这些图像”，艾哈迈德解释说，“一旦它被开发出来，该算法将在几秒钟内，近乎实时地呈现图像”。
为了证明该方案的广泛适用性，该团队将用来自儿童和成人患者的核磁共振成像数据来验证其框架。艾哈迈德说，如果成功，该方案为 MRI 提供的加速功能和图像质量改善技术将让所有 MRI 成像受益。
三、用深度学习算法给图像“降噪”
此外，研究人员还通过基于深度学习的去噪器（deep learning-based denoisers）来进一步优化图像。
他们证明，在他们的方案中使用特定的、对应的图像去噪器可以得到更优质的图像。算法会通过删除不需要的采样对象（unwanted sampling artifacts）来增强图像中的有用信息。他们在《IEEE 信号处理杂志（IEEE Signal Processing Magazine）》发表了该种图像处理的具体方法。
“我们的目标是在特定的应用程序基础上继续开发这一解决方案”，艾哈迈德表示，“它作为一种更专业的图像去噪器，它需要做得更好。”
在模型训练期间，该团队让他们的图像去躁器访问了数千个图像数据集，包括来自纽约大学快速 MRI 数据集（ New York University’s fastMRI dataset）的图像。
“去躁器属于计算神经网络（computational neural networks），因为它们的处理结构看起来很像哺乳动物的大脑”，施尼特表示到，“我们让它们（去噪器）接触到很多医学图像，它们学习了生物结构，还学习如何去除医学图像的“噪声”，而我们并没有明确告诉它们如何这样做处理”。
研究人员还创建了一个包含了数百个心脏图像数据集的开源存储库（open source repository ），以鼓励该领域的研究人员进一步探索问题。
施尼特说：“建立一个数据集能‘催化’一个领域取得很大的进展。一旦研究人员有了数据，那么许多团队就可以使用这些数据，在竞争中不断进步”。
结语：应用 AI 技术，助力改善医疗服务
据《科学》杂志报道，尽管核磁共振早已作为一种常见的诊断工具为大家所熟知，但家长往往不愿意儿童处于强大的磁场中。长时间、多次处于幽闭的噪音环境中还会给儿童造成恐惧心理。
研究团队通过即插即用的算法，将机器学习的方法和传统物理工程方法相结合，为 MRI 提供快速成像功能。此外，研究人员还使用深度学习的去噪器删除图像中不必要的信息，以增强图像中的有用信息。
缩短 MRI 时间、即插即用的算法和优化图片质量的去噪器与传统物理工程结合，可以帮助人们在不需要增添设备硬件的情况下解决核磁共振检测困境，这将为医疗检测行业带来新的希望。
我们对此抱有期待，希望应用创新人工智能技术，助力改善医疗服务。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。