脸书与纽约大学医学院开源fastMRI专案AI模型和大规模MRI资料集

脸书人工智能研究（FAIR）和纽约大学医学院高级成像创新与研究中心（CAI²R）共同开源了用于fastMRI的工具以及资料。fastMRI是一项联合的研究专案，目的是要加速MRI扫描速度10倍。

为了解决核磁共振（Magnetic Resonance Imaging，MRI）扫描耗时的问题，脸书和纽约大学医学院在8月的时候宣布合作研究计划fastMRI，要以人工智能让MRI的扫描速度加快10倍。而今天该专案开源释出了新的人工智能模型以及任务基线，其中还包括全球第一大的MRI资料集，以作为未来研究的基准。

研究团队的目标是要帮助改进诊断成像技术，透过共享标准化的人工智能工具、MRI资料以及可用来比较结果的排行榜，最终提供病患强大诊断技术。研究团队希望借由新的人工智能技术，能以更少的测量资料扫描，产生必要的影像细节，供精准侦侧异常需要之用。

研究团队提到，经实验发现只要增加训练资料，就能有效提高精准度，根据使用不同数量的MRI进行训练，最终获得结果的损失也越少。研究团队以4种大小100、200、500和973个案例的训练集，对U-net神经网络架构的基线机器学习效能影响，发现只有100个案例的损失最高，973个案例则损失最少。

MRI扫描非常耗时，有时候病患甚至需要静止躺在机器上一个多小时，研究人员一直试图缩短MRI扫描的时间，而在2016年，纽约大学医学院已经有初步研究显示，机器学习能用部分资料，重建完整的MR图像，以显著缩短扫描时间。

在单次的检查中，MRI装置会收集一系列的2D空间资料，或是在医学图像社群称之为K空间资料（K-Space Data），而K空间资料可被转换成其他图像。而大量以K空间资料训练神经网络，允许人工智能从不详细的初始扫描资料，重建出完整的图像，这包含标明肿瘤、血管破裂和其他关键诊断特征的图像细节。fastMRI专案最终目标是要使用人工智能来驱动图像重建，将扫描时间缩短10倍，而目前提供基于机器学习图像重建的基线模型，该模型使用4倍和8倍扫描加速的二次采样K空间资料，已经初步达到加速四倍的成果。

研究团队使用了各种不同的资料集来训练人工智能系统，而MRI重建研究面临的挑战便是一致性，纽约大学医学院希望可以透过提供基准测试资料集，发布最大的开源资料集来解决这个问题。脸书提到，这就像是受广泛使用的ImageNet资料集，推动了电脑视觉研究的概念，fastMRI资料集将可以帮助组织和加速MRI图像重建工作。

资料集初始版本包含从10,000次扫描中提取约150万张MR图像，以及将近1,600次扫描的原始测量资料。该资料集的原始测量资料由扫描收集到的K空间资料组成，这些资料通常在合成影像后被丢弃，但纽约大学医学院现在将他们开源，提供研究人员训练和验证效能之用。fastMRI资料集还包括欠缺采样的资料、K空间线被屏蔽或是模拟部分资料扫描等不完整的样本。

随着纽约大学医学院提供MR图像和原始测量资料集，脸书也共享了利用这些资料的工具，并确保相关工作能维持一致性的重现和评估。另外，为了涵盖最广泛的研究问题，脸书专注解决两项任务单线圈和双线圈重建，每项任务都包含经典的基线、非人工智能重建方法以及使用深度学习模型的独立基线。

在单线圈和多线圈深度学习基线中，脸书使用基于U-net的模型，这是一种卷积网络架构，专为生物医学应用中的图像分割而开发，具有图像到图像预测的可靠追踪记录，脸书表示，初步的研究发现，U-net架构对大量资料的训练特别敏感，适合纽约大学医学院发布的MR重建资料集。而且为了确保该领域发展的量测一致性，脸书建立了MR重建结果排行榜，并加入了基线模型，方便研究团队比较。

纽约大学医学院计划接下来还要发布脑和肝脏的扫描图像和测量结果，而脸书也会使用既有的实验基础、资料和基线，近一步探索基于人工智能的重建技术。