通过磁共振成像（MRI）进行医学成像通常需要较长的时间，因为每张图像必须由一组单独的测量生成。然而，在机器学习的帮助下，现在可以使用更少的MRI测量生成图像，从而减少时间和成本。该方法的关键要求是必须拥有完美的图像来训练AI模型，但在特定用途（例如实时MRI）中，这样的图像通常不可用，因为图像往往有些模糊。最近，一个国际研究小组利用巧妙训练的神经网络成功地创造了一个跳动的心脏的准确实时MRI图像，而无需完美的训练图像，并且只使用了有限的MRI数据。这一进展可能会在未来使实时MRI的实际应用更加频繁。
多亏了神经网络的创新训练，格拉茨大学（TU Graz）的研究人员成功用少量MRI测量数据生成了准确的心脏跳动的实时图像。这项新技术还可能增强其他MRI应用。
通过磁共振成像（MRI）进行医学成像通常非常缓慢，因为每张图像需要结合来自多个单独测量的数据。机器学习的引入使得用更少的MRI数据点进行成像成为可能，有助于节省时间和成本。然而，这一过程的一个关键条件是必须具备无瑕疵的图像用于AI模型训练。不幸的是，在某些情况下，如实时MRI中，这些理想的训练图像是缺失的，因为图像不可避免地显示出一些模糊。由马丁·尤克（Martin Uecker）和莫里茨·布卢门塔尔（Moritz Blumenthal）领导的国际研究团队，最近成功产生了心脏的准确实时MRI图像，即使没有完美的训练图像，并且通过使用智能训练的神经网络，使用了有限的MRI数据。由于这些进展，我们可能会在未来几年看到实时MRI的实际使用增加。
通过保留数据优化成像
为了训练他们的MRI成像机器学习模型，马丁·尤克和莫里茨·布卢门塔尔采用了自监督学习技术。他们的训练方法并不依赖于预先策划的完美图像，而是基于原始测量数据的一部分，该部分用于图像重建。莫里茨·布卢门塔尔详细说明道：“我们将MRI数据分为两部分。我们的机器学习模型使用第一部分较大的数据重建图像。然后，它尝试根据重建的图像预测被保留的第二部分数据。”如果模型在这一预测中表现不佳或受到挑战，这表明之前重建的图像很可能是错误的。因此，模型会被改进，产生一个新的改进版图像并重新尝试估计第二部分数据。这个迭代过程将持续，直到结果变得可靠。通过这一训练例程，系统学习了高质量MRI图像的特征，使得模型能够在实际应用中直接生成高质量图像。
这种方法可以加速和减少各种MRI应用的成本
马丁·尤克表示：“我们的方法已经准备好实施，尽管可能需要一段时间才能在临床实践中出现。”这项技术适用于许多其他MRI应用，简化了流程并使其更具成本效益。例如，在定量MRI中，精确测量和量化组织参数是必要的，放射科医生可以获取准确的诊断数据，而不是依赖于基于亮度变化的视觉评估。马丁·尤克指出：“此前，定量MRI过程通常需要相当多的时间。通过我们的机器学习模型，我们已经成功显著加速了这些测量，而不牺牲质量。”
这项研究的发现发表在《医学磁共振》杂志上，源于生物医学成像研究所的国际和跨学科合作。贡献者包括（戈廷根大学医学中心的心脏病医生）克里斯蒂娜·乌特伯格（Christina Unterberg），（因斯布鲁克大学的数学家）马库斯·哈尔特迈尔（Markus Haltmeier），（哈佛医学院的MRI研究人员）肖青·王（Xiaoqing Wang），以及来自意大利的伊拉斯谟学生基亚拉·范蒂纳托（Chiara Fantinato）。这些算法和MRI数据已经公开提供，允许其他研究人员复制结果并基于这一新方法进一步研究。
