研究人员结合数据科学和机器学习技术来改进传统的MRI图像重建

明尼苏达大学双城分校的科学家和工程师们已经找到了一种方法，可以改进传统磁共振成像(MRI)重建技术的性能，从而实现更快的磁共振成像以改善医疗保健。

这篇论文发表在美国国家科学院院刊．

“核磁共振需要很长时间，因为你是按顺序获取数据的。你必须以连续的方式填充图像的频率空间，”明尼苏达大学电子与计算机工程系Jim and Sara Anderson副教授、论文的资深作者Mehmet Akcakaya解释道。“我们想让核磁共振成像更快，这样病人在那里的时间就会更短，这样我们就可以提高医疗保健系统的效率。本文探索了一种既能做到这一点，又能确保我们保持良好性能的方法。”

在过去十年左右的时间里，科学家们一直在使用一种叫做压缩感知的技术来提高核磁共振成像的速度，这种技术的原理是图像可以压缩到更小的尺寸，类似于在计算机上压缩。jpeg文件。

最近，研究人员一直在研究使用深度学习这是一种机器学习，可以加速MRI图像重建。这个过程不是在MRI过程中捕获每个频率，而是跳过频率，使用经过训练的机器学习算法来预测结果并填补这些空白。

许多研究表明，深度学习在很大程度上优于传统的压缩感知。然而，使用深度学习也存在一些问题——例如，训练数据不足可能会在算法中产生偏差，从而可能导致对MRI结果的误解。

通过结合现代数据科学工具和机器学习思想，明尼苏达大学双城分校(University of Minnesota Twin Cities)的研究人员找到了一种方法，可以对传统的压缩方法进行微调，使其几乎与深度学习一样高质量。

Akcakaya说，这一发现为MRI重建领域提供了新的研究方向。

Akcakaya说:“我们想说的是，在核磁共振成像中有很多关于深度学习的宣传，但也许新方法和传统方法之间的差距并不像之前报道的那么大。”

“我们发现，如果你调整经典的方法，它们会表现得非常好。所以，也许我们应该回头看看经典的方法看看我们是否能得到更好的结果。围绕深度学习也有很多很棒的研究，但我们正试图从两个方面看问题，看看我们能在哪里找到最佳性能、理论保证和稳定性。”

---

---