格拉茨工业大学(TU Graz)的研究人员利用训练有素的神经网络，仅通过少量核磁共振测量数据，就成功地生成了跳动心脏的精确实时图像。其他MRI应用程序也可以使用此程序加速。这项研究发表在《医学磁共振》杂志上。
使用磁共振成像(MRI)进行医学成像非常耗时，因为图像必须从许多单独的测量数据中编译。由于机器学习的使用，成像也可以用更少的MRI测量数据，从而节省时间和成本。
然而，这样做的先决条件是可以用来训练人工智能模型的完美图像。这种完美的训练图像并不存在于某些应用中，例如实时(运动图像)MRI，因为这样的图像总是有些模糊。
格拉茨科技大学(TU Graz)生物医学成像研究所的Martin Uecker和Moritz Blumenthal领导的一个国际研究小组现在已经成功地生成了精确的实时心脏核磁共振成像图像，即使没有这样的训练图像，在训练有素的神经网络的帮助下，只有很少的核磁共振数据。由于这些改进，实时MRI可以在未来的实践中更频繁地使用。
Uecker和Blumenthal使用自监督学习方法来训练他们的MRI成像机器学习模型。训练模型的基础不是预先整理的完美图像，而是模型用来重建图像的初始数据的子集。
Blumenthal解释说:“我们将MRI设备提供的测量数据分为两部分。从第一个更大的数据部分，我们的机器学习模型重建图像。然后，它会尝试根据图像计算被保留的测量数据的第二部分。”
如果系统没有做到这一点，或者根据基本的逻辑做得很差，那么先前重建的图像一定是不正确的。模型被更新，它创建了一个新的改进的图像变体，并试图再次计算第二个数据部分。这个过程运行几轮，直到结果一致。
在这个训练过程中，系统从大量这样的重建中学习到好的MRI图像应该是什么样子。然后，在应用过程中，该模型可以直接计算出较好的图像。
“我们的工艺已经准备好应用了，”Uecker说，“即使在实际应用之前可能还需要一段时间。”该方法可用于许多其他MRI应用，使其更快，因此更便宜。这包括定量MRI，例如，其中物理组织参数被精确测量和量化。
“这使得放射科医生能够获得精确的诊断数据，而不是利用他们的专业经验根据亮度的差异来解释图像，”Uecker解释说。“然而，到目前为止，定量MRI测量通常需要很长时间。通过我们的机器学习模型，我们能够在不损失质量的情况下大大加快这些测量速度。”
该研究成果是生物医学成像研究所国际跨学科合作的结果。参与者包括Christina Unterberg(大学医学中心心脏病专家G?ttingen)， Markus Haltmeier(因斯布鲁克大学数学家)，Xiaoqing Wang(哈佛医学院核磁共振研究员)和Chiara Fantinato(来自意大利的Erasmus学生)。
算法和MRI数据是免费提供的，因此其他研究人员可以直接重现结果并以新方法为基础。
更多信息:Moritz Blumenthal等人，基于NLINV - Net的改进无校准径向MRI的自监督学习，磁共振医学(2024)。DOI: 10.1002 / mrm.30234引用:得益于新的机器学习方法，更好的MRI视频(2024年，9月30日)检索自2024年10月1日https://medicalxpress.com/news/2024-09-mri-videos-machine-method.html本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
