臉書與紐約大學醫學院開源fastMRI專案AI模型和大規模MRI資料集

臉書人工智慧研究（FAIR）和紐約大學醫學院高級成像創新與研究中心（CAI²R）共同開源了用於fastMRI的工具以及資料。fastMRI是一項聯合的研究專案，目的是要加速MRI掃描速度10倍。

為了解決核磁共振（Magnetic Resonance Imaging，MRI）掃描耗時的問題，臉書和紐約大學醫學院在8月的時候宣布合作研究計畫fastMRI，要以人工智慧讓MRI的掃描速度加快10倍。而今天該專案開源釋出了新的人工智慧模型以及任務基線，其中還包括全球第一大的MRI資料集，以作為未來研究的基準。

研究團隊的目標是要幫助改進診斷成像技術，透過共享標準化的人工智慧工具、MRI資料以及可用來比較結果的排行榜，最終提供病患強大診斷技術。研究團隊希望藉由新的人工智慧技術，能以更少的測量資料掃描，產生必要的影像細節，供精準偵側異常需要之用。

研究團隊提到，經實驗發現只要增加訓練資料，就能有效提高精準度，根據使用不同數量的MRI進行訓練，最終獲得結果的損失也越少。研究團隊以4種大小100、200、500和973個案例的訓練集，對U-net神經網路架構的基線機器學習效能影響，發現只有100個案例的損失最高，973個案例則損失最少。

MRI掃描非常耗時，有時候病患甚至需要靜止躺在機器上一個多小時，研究人員一直試圖縮短MRI掃描的時間，而在2016年，紐約大學醫學院已經有初步研究顯示，機器學習能用部分資料，重建完整的MR圖像，以顯著縮短掃描時間。

在單次的檢查中，MRI裝置會收集一系列的2D空間資料，或是在醫學圖像社群稱之為K空間資料（K-Space Data），而K空間資料可被轉換成其他圖像。而大量以K空間資料訓練神經網路，允許人工智慧從不詳細的初始掃描資料，重建出完整的圖像，這包含標明腫瘤、血管破裂和其他關鍵診斷特徵的圖像細節。fastMRI專案最終目標是要使用人工智慧來驅動圖像重建，將掃描時間縮短10倍，而目前提供基於機器學習圖像重建的基線模型，該模型使用4倍和8倍掃描加速的二次採樣K空間資料，已經初步達到加速四倍的成果。

研究團隊使用了各種不同的資料集來訓練人工智慧系統，而MRI重建研究面臨的挑戰便是一致性，紐約大學醫學院希望可以透過提供基準測試資料集，發布最大的開源資料集來解決這個問題。臉書提到，這就像是受廣泛使用的ImageNet資料集，推動了電腦視覺研究的概念，fastMRI資料集將可以幫助組織和加速MRI圖像重建工作。

資料集初始版本包含從10,000次掃描中提取約150萬張MR圖像，以及將近1,600次掃描的原始測量資料。該資料集的原始測量資料由掃描收集到的K空間資料組成，這些資料通常在合成影像後被丟棄，但紐約大學醫學院現在將他們開源，提供研究人員訓練和驗證效能之用。fastMRI資料集還包括欠缺採樣的資料、K空間線被屏蔽或是模擬部分資料掃描等不完整的樣本。

隨著紐約大學醫學院提供MR圖像和原始測量資料集，臉書也共享了利用這些資料的工具，並確保相關工作能維持一致性的重現和評估。另外，為了涵蓋最廣泛的研究問題，臉書專注解決兩項任務單線圈和雙線圈重建，每項任務都包含經典的基線、非人工智慧重建方法以及使用深度學習模型的獨立基線。

在單線圈和多線圈深度學習基線中，臉書使用基於U-net的模型，這是一種卷積網路架構，專為生物醫學應用中的圖像分割而開發，具有圖像到圖像預測的可靠追蹤記錄，臉書表示，初步的研究發現，U-net架構對大量資料的訓練特別敏感，適合紐約大學醫學院發布的MR重建資料集。而且為了確保該領域發展的量測一致性，臉書建立了MR重建結果排行榜，並加入了基線模型，方便研究團隊比較。

紐約大學醫學院計畫接下來還要發布腦和肝臟的掃描圖像和測量結果，而臉書也會使用既有的實驗基礎、資料和基線，近一步探索基於人工智慧的重建技術。