一种新的基于人工智能的图像重建方法称为AUTOMAP，可从较少的数据中获得更高质量的图像，从而减少了CT和PET的辐射剂量，并缩短了MRI的扫描时间。此处显示的是使用常规方法（左）和AUTOMAP（右）从相同数据重建的MR图像。图像：马萨诸塞州总医院Athinoula A. Martinos生物医学成像中心
放射科医生从高质量的诊断成像研究中做出准确诊断的能力直接影响到患者的预后。但是，获取足够的数据以生成最佳质量的成像是有代价的–计算机X线断层摄影（CT）和正电子发射断层摄影（PET）的辐射剂量增加，或者磁共振成像（MRI）的扫描时间长得令人不快。现在，麻省总医院（MGH）的Athinoula A. Martinos生物医学成像中心的研究人员已经通过基于人工智能和机器学习的新技术解决了这一挑战，使临床医生无需收集其他数据即可获取更高质量的图像。他们在今天发表在《自然》杂志上的一篇论文中描述了这项技术，称为AUTOMAP（通过流形近似进行自动变换）。
MGH Martinos中心研究员，《自然》杂志的第一作者博朱博士说：“临床成像管道的重要组成部分是图像重建，它将来自扫描仪的原始数据转换成图像，供放射科医生评估。”纸。“传统的图像重建方法使用了一系列手工信号处理模块，这些模块需要专业的手动参数调整，并且通常无法处理原始数据的瑕疵，例如噪声。我们介绍了一种新的范式，其中通过深度学习人工智能自动确定正确的图像重建算法。
“利用AUTOMAP，我们教会了成像系统'看到'人类在出生后学习的方式，而不是通过直接对大脑进行编程，而是通过反复训练现实世界中的例子来促进神经联系以有机地适应。”“这种方法使我们的成像系统能够自动找到最佳的计算策略，以在各种成像场景中产生清晰，准确的图像。”
该技术代表了生物医学成像技术的重要飞跃。在开发它时，研究人员利用了近年来在人工智能所用的神经网络模型和驱动操作的图形处理单元（GPU）方面取得的许多进步，因为图像重建（尤其是在AUTOMAP的情况下） –需要大量的计算，尤其是在训练算法期间。另一个重要因素是大型数据集（“大数据”）的可用性，这是训练大型神经网络模型（如AUTOMAP）所必需的。朱说，由于利用了这些和其他方面的进步，这项技术不可能在五年前甚至一年前就不可能实现。
AUTOMAP为临床护理提供了许多潜在的好处，甚至超越了用MRI在更短的时间内生成高质量的图像或用X射线，CT和PET产生的较低剂量生成高质量图像的能力。由于其处理速度快，该技术可以帮助患者在扫描仪中做出有关成像协议的实时决策。
“由于AUTOMAP被实现为前馈神经网络，因此图像重建的速度几乎是瞬时的-仅几十毫秒，”资深作者Matt Laurenn博士说，他是低场MRI和超极化媒体实验室主任以及该实验室的联合主任。 MGH Martinos中心的机器学习中心。“某些类型的扫描目前需要耗时的计算处理才能重建图像。在这些情况下，在初始成像期间无法获得即时反馈，可能需要进行重复研究以更好地识别可疑异常。AUTOMAP将提供即时图像重建功能，以在扫描过程中为决策过程提供信息，并可以避免进行额外的访问。”
值得注意的是，该技术还可以帮助推进其他人工智能和机器学习应用程序。临床成像中围绕机器学习的当前许多兴奋点都集中在计算机辅助诊断上。由于这些系统依靠高质量的图像来进行准确的诊断评估，因此AUTOMAP可以在推动它们用于将来的临床应用中发挥作用。
Rosen说：“我们的AI方法在准确性和降噪方面显示出显着的进步，因此可以推动广泛的应用。”“我们非常高兴有机会将其推广到临床领域，在那里AUTOMAP可以与廉价的GPU加速计算机一起工作，以改善临床成像和结果。”
该论文的其他作者是MGH Martinos中心的Stephen Cauley博士和Bruce Rosen博士（与Matt无关）和哈佛大学公共卫生学院生物统计学系的Jeremiah Liu。这项工作部分由国家生物医学成像和生物工程研究所资助。与AUTOMAP相关的专利申请已提交。
