本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
经过事实检查
可信来源
校对
使用经过智能训练的神经网络，格拉茨工业大学的研究人员成功地从一些 MRI 测量数据中生成了跳动心脏的精确实时图像。其他 MRI 应用也可以使用此过程来加速。该研究发表在《医学磁共振》上。
使用磁共振成像 (MRI) 进行医学成像非常耗时，因为必须根据许多单独测量的数据来编译图像。由于使用机器学习，成像也可以用更少的 MRI 测量数据实现，从而节省时间和成本。
但是，其前提是可用于训练 AI 模型的完美图像。对于某些应用，例如实时（移动图像）MRI，并不存在如此完美的训练图像，因为此类图像总是有些模糊。
由 Martin Uecker 和 Moritz Blumenthal 领导的国际研究团队格拉茨理工大学 (TU Graz) 的生物医学成像研究所现已成功生成精确的跳动心脏的实时 MRI 图像，即使没有此类训练图像，并且借助经过智能训练的神经网络，只需很少的 MRI 数据。由于这些改进，实时 MRI 将来可以在实践中更频繁地使用。
Uecker 和 Blumenthal 使用自我监督学习方法训练他们的 MRI 成像机器学习模型。训练模型的基础不是预先策划的完美图像，而是模型用来重建图像的初始数据的子集。
Blumenthal 解释道，“我们将由将 MRI 设备分成两个部分。我们的机器学习模型会从第一个较大的数据部分重建图像，然后尝试根据图像计算从中保留的测量数据的第二部分。”
<如果系统无法做到这一点，或者根据底层逻辑做得很差，那么之前重建的图像一定是不正确的。模型被更新，它创建一个新的改进的图像变体并尝试再次计算第二数据部分。这个过程会运行多轮，直到结果一致。在这个训练过程中，系统从大量此类重建中学习良好的 MRI 图像应该是什么样子。随后，在应用过程中，模型可以直接计算出良好的图像。
“我们的流程已准备好应用，”说Uecker，“即使可能还需要一段时间才能真正应用于实践。”该方法可用于许多其他 MRI 应用，使其速度更快，因此更便宜。例如，这包括定量 MRI，其中物理组织参数被精确测量和量化。
“这使得放射科医生能够访问精确的数据进行诊断，而不必使用他们的专业人士根据亮度差异来解释图像。经验，”Uecker 解释道。“然而，到目前为止，定量 MRI 测量通常需要很长时间。借助我们的机器学习模型，我们能够大大加快这些测量速度，而不会降低质量。”
研究结果是生物医学成像研究所国际跨学科合作的成果。参与者包括 Christina Unterberg（哥廷根大学医学中心心脏病专家）、Markus Haltmeier（因斯布鲁克大学数学家）、Xiaoqing Wang（哈佛医学院 MRI 研究员）和 Chiara Fantinato（来自意大利的 Erasmus 学生）。
算法和 MRI 数据可免费获取，以便其他研究人员可以直接重现结果并基于新方法进行构建。
更多信息：Moritz Blumenthal 等人，使用 NLINVNet 改进无校准径向 MRI 的自我监督学习，医学中的磁共振（2024）。DOI：10.1002/mrm.30234