快速磁共振成像

网站和排行榜| 数据集| GitHub | 出版物

通过获得更少的测量值来加速磁共振成像 (MRI) 有可能降低医疗成本，最大限度地减少对患者的压力，并使 MR 成像在目前非常缓慢或昂贵的应用中成为可能。

fastMRI是 Facebook AI Research (FAIR) 和 NYU Langone Health 的合作研究项目，旨在研究使用 AI 来加快 MRI 扫描速度。NYU Langone Health 发布了完全匿名的膝盖和大脑 MRI 数据集，可以从 fastMRI 数据集页面下载。与 fastMRI 项目相关的出版物可以 在本 README 的末尾找到。

该存储库包含方便的 PyTorch 数据加载器、子采样函数、评估指标和简单基线方法的参考实现。它还包含一些 fastMRI 项目出版物中方法的实现。

文档

fastMRI 数据集

有多个出版物描述了数据的不同子组件（例如，大脑与膝盖）和相关的基线。

• 项目摘要、数据集、基线： fastMRI：加速 MRI 的开放数据集和基准（{J. Zbontar*、F. Knoll*、A. Sriram*} 等，2018）

• 膝关节数据： fastMRI：公开可用的原始 k 空间和 DICOM 膝关节图像数据集，用于使用机器学习加速 MR 图像重建（{F. Knoll*, J. Zbontar*} et al., 2020）

• 大脑数据集属性： 2020 年机器学习 MR 图像重建 fastMRI 挑战赛结果的 补充材料（{M. Muckley*, B. Riemenschneider*} 等人，2021 年）

代码库

对于代码文档，大多数函数和类都有随附的文档字符串，您可以通过helpIPython 中的函数访问这些文档字符串。例如：

from fastmri.data import SliceDataset

help(SliceDataset)

依赖和安装

注意：对代码的贡献通过 GitHub 操作持续测试。如果遇到问题，最好的第一件事是尝试匹配 中的 tests环境setup.cfg，例如，pip install --editable ".[tests]" 从源代码安装时。

注意：如问题 215中所述，当前在使用h5py安装的pip和转换为torch.Tensor. 为避免泄漏，您需要使用h5py1.12.1 之前的 HDF5 版本。截至2022年2月16日， 3.6.0conda版本h5py使用HDF5 1.10.6，避免了泄露。

首先根据 PyTorch 网站上针对您的操作系统和 CUDA 设置的说明安装 PyTorch。然后，运行

pip install fastmri

pip将处理所有包依赖项。在此之后，您应该能够运行存储库中的大部分代码。

直接从源安装

如果要直接从 GitHub 源安装，请克隆存储库，导航到fastmri根目录并运行

pip install -e .

包结构和用法

存储库以fastmri模块为中心。下面分解基本结构：

fastmri：包含许多用于复数数学、线圈组合等的基本工具。

• fastmri.data：包含原始data文件夹中的数据实用程序功能，可用于创建采样掩码和提交文件。
• fastmri.models：包含重建模型，例如 U-Net 和 VarNet。
• fastmri.pl_modules：用于数据加载、训练和记录的 PyTorch Lightning 模块。

示例和重现性

和文件夹包含可重现fastmri_examples性banding_removal代码。arXiv 论文中使用了基线模型。

以下是基于论文和代码链接的实现的简要总结。为了完整起见，我们还提到了主动采集的工作，它托管在另一个存储库中。

• 基线模型

  • 用于保存图像以供排行榜提交的零填充示例
  • ESPIRiT——一种自动校准并行 MRI 的特征值方法：SENSE 与 GRAPPA 的结合（M. Uecker 等人，2013 年）
  • U-Net：用于生物医学图像分割的卷积网络（O. Ronneberger et al., 2015）

• 采样、重建和伪影校正

  • 偏移采样通过利用对称性改进了基于深度学习的加速 MRI 重建（A. Defazio，2019）
  • 用于加速 MRI 重建的端到端变分网络（{A. Sriram*, J. Zbontar*} 等，2020）
  • 通过对抗训练去除 MRI 条带 (A. Defazio, et al., 2020)

• 主动收购

  • （外部存储库）通过主动采集减少欠采样 MRI 重建的不确定性（Z. Zhang 等人，2019）
  • （外部存储库）基于强化学习的主动 MR k 空间采样（L. Pineda 等人，2020）
  • 关于学习欠采样多线圈 MRI 重建的自适应采集策略 (T. Bakker et al., 2022)

测试

运行pytest tests。默认情况下，会跳过使用 fastMRI 数据的集成测试。如果您想运行这些测试，SKIP_INTEGRATIONS请 False在conftest中设置。

训练模型

数据自述文件有一个关于如何加载数据和合并数据转换的简单示例。这个 jupyter notebook包含一个简单的教程，解释如何开始使用数据。

请查看 此 U-Net 演示脚本，了解如何使用 PyTorch Lightning 框架训练模型的示例。

提交到排行榜

在提供的测试数据上运行您的模型并创建一个包含您的预测的 zip 文件。fastmri具有以save_reconstructions正确格式保存数据的功能。

将 zip 文件上传到任何可公开访问的云存储（例如 Amazon S3、Dropbox 等）。在挑战网站上提交 zip 文件的链接 。您需要在提交之前创建一个帐户。

执照

fastMRI 已获得 MIT 许可，如LICENSE 文件中所示。

引用

如果您在项目中使用了 fastMRI 数据或代码，请引用 arXiv 论文：

@inproceedings{zbontar2018fastMRI,
    title={{fastMRI}: An Open Dataset and Benchmarks for Accelerated {MRI}},
    author={Jure Zbontar and Florian Knoll and Anuroop Sriram and Tullie Murrell and Zhengnan Huang and Matthew J. Muckley and Aaron Defazio and Ruben Stern and Patricia Johnson and Mary Bruno and Marc Parente and Krzysztof J. Geras and Joe Katsnelson and Hersh Chandarana and Zizhao Zhang and Michal Drozdzal and Adriana Romero and Michael Rabbat and Pascal Vincent and Nafissa Yakubova and James Pinkerton and Duo Wang and Erich Owens and C. Lawrence Zitnick and Michael P. Recht and Daniel K. Sodickson and Yvonne W. Lui},
    journal = {ArXiv e-prints},
    archivePrefix = "arXiv",
    eprint = {1811.08839},
    year={2018}
}

论文清单

以下列出了来自 fastMRI 项目的论文标题。可以在此处找到相应的摘要以及预印本和代码的链接 。

1. Zbontar, J.*, Knoll, F.*, Sriram, A.*, Murrell, T., Huang, Z., Muckley, MJ, ... & Lui, YW (2018)。fastMRI：加速 MRI 的开放数据集和基准。arXiv 预印本 arXiv:1811.08839。
2. Zhang, Z.、Romero, A.、Muckley, MJ、Vincent, P.、Yang, L. 和 Drozdzal, M. (2019)。通过主动采集减少欠采样 MRI 重建的不确定性。在CVPR中，第 2049-2058 页。
3. Defazio, A. (2019)。偏移采样通过利用对称性改进了基于深度学习的加速 MRI 重建。arXiv 预印本，arXiv:1912.01101。
4. Knoll, F.*, Zbontar, J.*, Sriram, A., Muckley, MJ, Bruno, M., Defazio, A., ... & Lui, YW (2020)。fastMRI：公开可用的原始 k 空间和 DICOM 膝关节图像数据集，用于使用机器学习加速 MR 图像重建。放射学：人工智能，2(1)，e190007 页。
5. Knoll, F.*, Murrell, T.*, Sriram, A.*, Yakubova, N., Zbontar, J., Rabbat, M., ... & Recht, MP (2020)。通过公开比赛推进用于 MR 图像重建的机器学习：2019 年 fastMRI 挑战概述。医学中的磁共振，84（6），第 3054-3070 页。
6. Sriram, A., Zbontar, J., Murrell, T., Zitnick, CL, Defazio, A., & Sodickson, DK (2020)。GrappaNet：将并行成像与深度学习相结合用于多线圈 MRI 重建。在CVPR中，第 14315-14322 页。
7. Recht, MP, Zbontar, J., Sodickson, DK, Knoll, F., Yakubova, N., Sriram, A., ... & Zitnick, CL (2020)。在 3T 使用深度学习加速膝关节 MRI：互换性研究的结果。美国放射学杂志，215(6)，第 1421-1429 页。
8. Pineda, L.、Basu, S.、Romero, A.、Calandra, R. 和 Drozdzal, M.（2020 年）。带有强化学习的主动 MR k 空间采样。在MICCAI中，第 23-33 页。
9. Sriram, A.*, Zbontar, J.*, Murrell, T., Defazio, A., Zitnick, CL, Yakubova, N., ... & Johnson, P. (2020)。用于加速 MRI 重建的端到端变分网络。在MICCAI中，第 64-73 页。
10. Defazio, A., Murrell, T., & Recht, MP (2020)。通过对抗训练去除 MRI 条带。在神经信息处理系统的进展中，33，第 7660-7670 页。
11. Muckley, MJ*, Riemenschneider, B.*, Radmanesh, A., Kim, S., Jeong, G., Ko, J., ... & Knoll, F. (2021)。2020 年机器学习 MR 图像重建 fastMRI 挑战赛的结果。IEEE Transactions on Medical Imaging，40(9)，第 2306-2317 页。
12. Johnson, PM, Jeong, G., Hammernik, K., Schlemper, J., Qin, C., Duan, J., ..., & Knoll, F. (2021)。学习 MR 图像重建对来自 fastMRI 挑战的模型的训练和测试数据之间的系统偏差的鲁棒性评估。在MICCAI MLMIR 研讨会，第 25-34 页，
13. Bakker, T.、Muckley, MJ、Romero-Soriano, A.、Drozdzal, M. 和 Pineda, L. (2022)。关于学习欠采样多线圈 MRI 重建的自适应采集策略。在 MIDL中。公认。