據(jù)國外媒體 Tech Xplore 報道，由生物醫(yī)學工程助理教授里茲萬?艾哈邁德教授（Biomedical Engineering Assistant Professor Rizwan Ahmad）和電氣和計算機工程教授菲利普?施尼特（Electrical and Computer Engineering Professor Philip Schniter）組成的跨學科研究團隊打造了一個更全面、更強大的深度學習框架。
該深度學習框架可以通過即插即用的算法（plug-and-play algorithms）突破現(xiàn)有核磁共振成像（Magnetic resonance imaging，MRI）的技術(shù)局限。與現(xiàn)有的 MRI 成像方法相比，即插即用的算法成像速度將縮短一半。
該研究成果獲得美國國立衛(wèi)生研究院（National Institutes of Health）四年一次頒發(fā)的的 R01 獎項，獲得 230 萬美元獎金（約為 1487 萬元）。
此外，這項研究還得到了美國國家生物醫(yī)學成像和生物工程研究所（National Institute of Biomedical Imaging and Bioengineering）的支持。
一、耗時長，檢測難，MRI 在兒科成像遭遇難題
核磁共振成像是一種非侵入性診斷工具，可用于檢測和評估腦疾病、肌肉骨骼損傷、心血管疾病和癌癥等疾病。
一次基本的核磁共振檢查需要包括多次身體掃描，這可能要耗時一個小時或更長時間。因為輕微的運動可能會影響圖像質(zhì)量，所以每次核磁共振掃描結(jié)束，患者可能都需要保持身體不動幾分鐘。
目前，一些動態(tài)場景、瞬時記錄的應(yīng)用常常需要使用核磁共振技術(shù)，比如心臟跳動的成像或幾秒鐘內(nèi)發(fā)生的瞬態(tài)現(xiàn)象。
雖然核磁共振成像比其他醫(yī)學成像技術(shù)有許多優(yōu)勢，但它仍有成像速度慢、設(shè)備成本高、圖像質(zhì)量低等不足之處。
此外，由于當前的核磁共振檢查需將患者放置于強大磁場內(nèi)，用射頻脈沖（ radiofrequency pulse）激發(fā)產(chǎn)生磁共振信號（magnetic resonance signal），該信號被機器設(shè)備攝取后，形成核磁共振影像。而在射頻脈沖激發(fā)過程中會產(chǎn)生較大噪聲，患者常常容易感到不適，并且兒童患者使用核磁共振檢測時，可能會需要鎮(zhèn)靜劑。
“這是一個兒科成像的難題，因為體型較小的孩子不愿意一直呆在核磁共振掃描儀里，所以必須讓他們安靜下來”，艾哈邁德說到，“越來越多的研究表明，長期使用鎮(zhèn)靜劑會有負面影響，所以我們有必要減少鎮(zhèn)靜劑的使用。非?？焖俚爻上駥嚎苼碚f非常重要?！?/p>
二、即插即用的算法增加成像速度
施尼特談到，“我們（進行實驗的）主要動力之一是，我們希望通過利用原有檢測技術(shù)檢查患者的身體，但縮短核磁共振成像時間。我們可以通過每次快速檢測患者的某個局部，然后將所有數(shù)據(jù)匯總，最終形成所需的核磁共振圖像。這樣就能避免因為患者的一些小動作而導致成像失敗的情況?！保艾F(xiàn)在的問題是，我們得到了患者身體的局部數(shù)據(jù)后，（重新檢測時）將會丟失之前所有數(shù)據(jù)。我要如何保留這些數(shù)據(jù)進行匯總？”
為了保留每次檢測的圖像數(shù)據(jù)，從而達到加速核磁共振成像的效果，研究團隊開發(fā)和驗證了一個全面且強大的深度學習框架。
他們通過即插即用的算法，將物理驅(qū)動的數(shù)據(jù)采集模型與最先進的圖像學習模型相結(jié)合，研發(fā)出更快、更準確的核磁共振方法。與現(xiàn)有的 MRI 重建方法相比，即插即用的算法成像圖像的速度更快，具有更高的質(zhì)量和潛在卓越的診斷價值。
“即插即用的算法獨特之處在于，它將機器學習的方法和傳統(tǒng)物理工程方法相結(jié)合，并在二者之間不斷迭代優(yōu)化，最終生成圖像?！?/p>
一旦該研究完全落地實施，該研究團隊的新方法可以將核磁共振掃描的時間縮短到一半。他們的新方案不需要增添或修改任何設(shè)備硬件。而計算任務(wù)也將由計算機工作站連接到 MRI 掃描儀執(zhí)行。
“當臨床醫(yī)生站在核磁共振掃描儀前時，他們希望能在幾秒鐘內(nèi)就看到這些圖像”，艾哈邁德解釋說，“一旦它被開發(fā)出來，該算法將在幾秒鐘內(nèi)，近乎實時地呈現(xiàn)圖像”。
為了證明該方案的廣泛適用性，該團隊將用來自兒童和成人患者的核磁共振成像數(shù)據(jù)來驗證其框架。艾哈邁德說，如果成功，該方案為 MRI 提供的加速功能和圖像質(zhì)量改善技術(shù)將讓所有 MRI 成像受益。
三、用深度學習算法給圖像“降噪”
此外，研究人員還通過基于深度學習的去噪器（deep learning-based denoisers）來進一步優(yōu)化圖像。
他們證明，在他們的方案中使用特定的、對應(yīng)的圖像去噪器可以得到更優(yōu)質(zhì)的圖像。算法會通過刪除不需要的采樣對象（unwanted sampling artifacts）來增強圖像中的有用信息。他們在《IEEE 信號處理雜志（IEEE Signal Processing Magazine）》發(fā)表了該種圖像處理的具體方法。
“我們的目標是在特定的應(yīng)用程序基礎(chǔ)上繼續(xù)開發(fā)這一解決方案”，艾哈邁德表示，“它作為一種更專業(yè)的圖像去噪器，它需要做得更好。”
在模型訓練期間，該團隊讓他們的圖像去躁器訪問了數(shù)千個圖像數(shù)據(jù)集，包括來自紐約大學快速 MRI 數(shù)據(jù)集（ New York University’s fastMRI dataset）的圖像。
“去躁器屬于計算神經(jīng)網(wǎng)絡(luò)（computational neural networks），因為它們的處理結(jié)構(gòu)看起來很像哺乳動物的大腦”，施尼特表示到，“我們讓它們（去噪器）接觸到很多醫(yī)學圖像，它們學習了生物結(jié)構(gòu)，還學習如何去除醫(yī)學圖像的“噪聲”，而我們并沒有明確告訴它們?nèi)绾芜@樣做處理”。
研究人員還創(chuàng)建了一個包含了數(shù)百個心臟圖像數(shù)據(jù)集的開源存儲庫（open source repository ），以鼓勵該領(lǐng)域的研究人員進一步探索問題。
施尼特說：“建立一個數(shù)據(jù)集能‘催化’一個領(lǐng)域取得很大的進展。一旦研究人員有了數(shù)據(jù)，那么許多團隊就可以使用這些數(shù)據(jù)，在競爭中不斷進步”。
結(jié)語：應(yīng)用 AI 技術(shù)，助力改善醫(yī)療服務(wù)
據(jù)《科學》雜志報道，盡管核磁共振早已作為一種常見的診斷工具為大家所熟知，但家長往往不愿意兒童處于強大的磁場中。長時間、多次處于幽閉的噪音環(huán)境中還會給兒童造成恐懼心理。
研究團隊通過即插即用的算法，將機器學習的方法和傳統(tǒng)物理工程方法相結(jié)合，為 MRI 提供快速成像功能。此外，研究人員還使用深度學習的去噪器刪除圖像中不必要的信息，以增強圖像中的有用信息。
縮短 MRI 時間、即插即用的算法和優(yōu)化圖片質(zhì)量的去噪器與傳統(tǒng)物理工程結(jié)合，可以幫助人們在不需要增添設(shè)備硬件的情況下解決核磁共振檢測困境，這將為醫(yī)療檢測行業(yè)帶來新的希望。
我們對此抱有期待，希望應(yīng)用創(chuàng)新人工智能技術(shù)，助力改善醫(yī)療服務(wù)。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。