AI与MRI的结合
要了解 fastMRI 的方法，首先回顾一下 MRI 的工作原理是有帮助的。
为了创建需要审查的图像，MRI 使用磁场与身体软组织和重要器官中的氢原子相互作用。这些原子然后发出电磁信号，就像灯塔一样，指示原子在身体的什么位置。这些信号被扫描仪收集为一连串单独的二维频率测量，即所谓的k空间数据。
一旦所有数据最终收集完毕，系统就会将一个复杂的数学公式—逆傅里叶变换—应用到该原始k空间数据中，以创建膝关节、背部或大脑或身体其他区域的详细 MR 图像。如果没有一套完整的数据点，数学无法准确地指出每个信号的来源。
fastMRI 团队使用了一种完全不同的方式来创建图像，这种方式需要的原始数据要少得多。研究人员建立了一个神经网络，并使用世界上最大的膝关节 MRI 开源数据集对其进行训练，该数据集由纽约大学 Langone Health 创建和共享，并作为 fastMRI 计划的一部分。
fastMRI 研究团队删除了每次扫描中大约四分之三的原始数据，然后将剩余的信息输入到 AI 模型中。然后，该模型学会了从有限的数据中生成完整的图像。重要的是，AI 生成的图像并不只是看起来像普通的 MRI，它生成的图像与标准的 MRI 过程创建的地面真实图像相匹配。
打个比方就是，AI 把一个 1000 块拼图中的 250 块拼图拿出来，然后靠自己的能力生成了整个图像，这不是模仿不是看起来像，而是可以做到和盒子上显示的完整拼图完全匹配。
fastMRI 的方法与其他将人工智能用于医学的尝试不同。通常这些算法的目的是像医生一样，自动审查医学图像，试图发现潜在的问题。但 fastMRI 并没有试图成为一个医生，它只是一个工具，来从稀疏的信息中创造出一个完整的图像，从而缩短 MRI 的时间。
为每一个需要MRI的病人节约宝贵的时间
fastMRI 背后的研究人员必须确保他们的模型在追求速度的过程中不会牺牲准确性。仅仅是图像中的几个缺失或不正确的建模点，就可能意味着找到撕裂的韧带或可能的肿瘤，并给患者一个不正确的全清楚的报告之间的差异。
即将发表在 American Journal of Roentgenology 上的临床研究表明，fastMRI 的 AI 模型确实能够生成与标准 MRI 一样准确、有用、可靠的图像。研究表明，fastMRI 可以生成 ＂可诊断互换 ＂的膝关节损伤 MRI 图像，而扫描机的原始数据使用量却减少了 75％左右。参与研究的专家放射科医生无法将 AI 加速的图像与传统图像区分开来。
fastMRI 只需要安装在现有 MRI 机器上即可使用，这也大大提高了该技术的推广可能。
fastMRI 目前的临床研究是向前迈出的非常重要的一步，但它可以有更多的发展空间。接下来，Facebook 人工智能和纽约大学 Langone 的研究人员希望证明，fastMRI 对其他重要器官，如大脑，也同样有效。
FastMRI 还在 GitHub 公布了它的数据、模型和代码，以便其他研究人员可以在他们的工作基础上，贡献新的想法。fastMRI 团队希望这种开放的方式能够加快这项技术的进展，并带来使用 fastMRI 扫描的新突破。
更重要的是， MRI 制造商现在就可以自由地公开的数据，用他们的机器测试 fastMRI，并将由此带来的优势迅速带给患者。
对于 fastMRI 来说，还有更多的事情要做。但很快有一天，AI 加速的 MRI 可能会造福全球数百万人。
