Коротко о «быстрой МРТ» искусственного интеллекта Facebook

Коротко о «быстрой МРТ» искусственного интеллекта Facebook

Теоретическое и удобное для начинающих введение в задачу Facebook AI и NYU Langone Health, которая хочет сделать магнитно-резонансную томографию (МРТ) доступной через 10 минут.

Расписание:

1. Введение в испытание
2. О магнитно-резонансной томографии
3. Машинное обучение

3.1 Обсуждение метрик

4. Практический пример

5. Стартовый пакет Fast MRI

1. Введение

Магнитно-резонансная томография является методом визуализации, который чрезвычайно удобен по нескольким причинам. Сила этого метода визуализации заключается в его гибкости и чувствительности к широкому спектру свойств ткани. В этом смысле МРТ является полезным методом визуализации, позволяющим лучше понять человеческое тело, как о его форме, так и о его функциях. Кроме того, этот метод визуализации абсолютно безвреден.

Так что не так с МРТ? Ну и первое, что неприятно, это стоимость.

Сравнивая МРТ с другими методами визуализации с точки зрения стоимости, можно увидеть, что МРТ является самой дорогой технологией как с точки зрения платы за процедуру, так и с точки зрения средних операционных расходов [Sistrom and McKay, 2005].

Две другие важные проблемы, связанные с этим, — это артефакты движения [Zaitsev et al., 2015] и беспокойство пациентов [MacKenzie et al., 1995] .

Связаны ли эти три проблемы? Да, это так.

Фактически, одна большая проблема МРТ заключается в том, что они требуют много времени. Это длительное сканирование подразумевает высокую стоимость, движение пациентов и беспокойство пациентов.

Вот почему была создана быстрая МРТ.

В 2018 году Facebook Research и NYU Langone Health решили провести быструю МРТ. Цель одна и проста: сокращение времени получения МРТ.

2. О магнитно-резонансной томографии

Но как сделать МРТ?

Как следует из самого названия, сканирование МРТ выполняется с использованием принципа магнитного резонанса ядер атомов. Можно показать, что использование магнитных полей позволяет получить сигнал, закодированный в пространстве Фурье [Haacke et al., 1999]. Другими словами, во время МРТ изображение вашего тела приобретается не в физическом пространстве (x, y, z), а в частотном.

Это частотное пространство известно как k-пространство. Процесс сбора данных выглядит следующим образом:

Дело в том, что в оси чтения справедливо следующее уравнение:

Уравнение говорит нам кое-что простое:

Если вы хотите получить больше данных, вам придется подождать.

У нас может возникнуть соблазн взять меньше данных и «недостаточно сэмплировать» пространство Фурье.
Тем не менее, если мы недовычислим пространство Фурье, произойдет явление Найквиста-Шеннона. Это то же самое, что происходит, когда мы не в состоянии распознать, движется ли колесо автомобиля быстро вправо или медленно влево.

Другими словами, если изображения получены из недостаточно дискретизированного пространства Фурье (это означает, что учитывается недостаточное количество точек), они размыты, перепутаны, грязны.

Цель состоит в том, чтобы начать с этих недостаточно дискретизированных пространств Фурье и понять, как вернуться к исходным полностью дискретизированным пространствам.

Но как практически получить «недостаточно дискретизированное» пространство Фурье (k)? Что ж, это легко. Мы создаем маску, которая имитирует процесс субдискретизации, и применяем ее к исходному k-пространству. Например, если мы хотим рассмотреть изображение с недостаточной дискретизацией в 1/8 раза.

Как только этот процесс будет выполнен в пространстве Фурье, вы можете вернуться к исходному с обратным преобразованием Фурье, и вы получите:

Теперь вопросы, на которые мы хотим ответить, следующие. Допустим, у нас нет нижнего изображения, а есть только верхнее k-пространство Фурье.

Как мы можем предсказать, что скрыто под черными линиями?

Или, менее технически:

Как мы можем перейти от размытых изображений к «хорошим»?

3. Машинное обучение

В настоящее время аналитическая функция, которая преобразует входное недостаточно дискретизированное изображение в истинное, не существует. В общем, поскольку задача чрезвычайно сложная, идея поиска аналитического решения, вероятно, неудачна. Классический метод шумоподавления не перспективен, поскольку он не улучшает качество исходного изображения или уменьшить его.

Вместо того, чтобы пытаться следовать дедуктивному подходу, идея состоит в том, чтобы следовать индуктивному подходу с использованием машинного обучения.

Быстрая задача МРТ предоставляет широкий набор данных, тем самым прокладывая путь для реализации надежных алгоритмов машинного обучения. Вот пример набора данных:

3.1 Обсуждение показателей

Определение оптимальной метрики до сих пор является обсуждаемой и сложной темой. Тем не менее выбор метрики важен как в части обучения, так и в части тестирования.

Индекс структурного подобия (SSIM) — это параметрический показатель, который сравнивает истинное и тестовое изображение с учетом яркости, контрастности и структурного сравнения. Параметр этой метрики — размер окна, которое скользит по изображению и вычисляет три величины, упомянутые выше.

С другой стороны, среднеквадратическая ошибка (MSE) — это среднеквадратическая разница между пикселями двух изображений, скажем, v (наземная правда) и hat v, его предполагаемая реконструкция. Для двух изображений MxM справедливо следующее уравнение:

Даже если метрика среднеквадратичной ошибки (MSE) не учитывает структурное сходство между двумя изображениями, в то время как индекс структурного сходства (SSIM) SSIM делает это, непрактичные соображения относительно SSIM делают MSE более подходящей метрикой для рассмотрения. .

4. Практический пример

Алгоритм кодирования-декодера с глубоким обучением — это хорошо известный UNet [Ronneberger et al., 2015]. Этот ИИ-алгоритм, изначально созданный для выполнения сегментации биомедицинских изображений, считается базовой точкой отсчета из исследовательского документа Facebook ИИ для задачи 2018/2019.

По сути, это кодер-декодер, который использует сверточные слои и принимает U-образную форму, где сжимающаяся и расширяющаяся части встречаются друг с другом.

Вот его структура:

И вот несколько примеров:

5. Стартовый пакет быстрой МРТ

Эта задача чрезвычайно распространена, и ее потенциал огромен. По этой причине в принципе нет никаких секретов о вызове, кодах и отправленных материалах.

Если вы хотите получить набор данных, вы можете перейти здесь. Он очень большой, и вам нужно ознакомиться с файлами .h5. Как только вы поймете и освоите их, вы сможете начать получать настоящее удовольствие.

Если вы хотите начать изучение набора данных, применять первые маски или вообще понять, как выполнять основные операции с данными, вы можете пойти сюда. Если вы новичок в МРТ, лучше всего следовать этому руководству. Это убережет вас от многочасовых ошибок.

Если вы хотите теоретически понять, как работают современные методы, вы можете прочитать статью здесь. Она очень хорошо написана и может стать отправной точкой, если вы хотите узнать, стоит ли прыгать в скорый поезд МРТ или нет.

Если вы хотите применить некоторые предварительно обученные модели или обучить уже существующие, вы можете перейти сюда. Положительным моментом является то, что они работают (очевидно) очень хорошо. Плохо то, что если вы хотите, чтобы они работали хорошо, вам нужно набраться терпения и внимательно следить за их действиями.

6. Обо мне

На самом деле я работаю над задачей быстрой МРТ для получения степени магистра. Для меня было бы честью обсудить этот блог и помочь вам понять кое-что еще об этой замечательной задаче. Напишите мне по адресу [email protected], и мы поговорим!