纽约大学联合Facebook，用AI进行磁共振成像扫描

磁共振成像(Magnetic Resonance Imaging，简称MRI)在医学领域是一种无价的工具，但其也需要一个缓慢而繁琐的过程。完成一次扫描可能需要15分钟或1个小时，在此期间，病人，可能是孩子或严重疼痛的人，必须一动不动地坐着。纽约大学(NYU)一直在努力加快这一进程，目前正与Facebook合作，目标是通过应用基于人工智能的成像工具，将MRI持续时间缩短90%。

在初期，重要的是要将这种努力与人工智能在医学成像领域的其他常见用途区分开来。X光或者是核磁共振扫描，一旦完成，就可以通过一个物体识别系统协助医生检查扫描结果是否有异常，节省了大量时间，甚至可能捕捉到医生错过的东西。这个项目并不是要分析已经被创造出来的图像，而是首先要加快它的创建。

磁共振成像扫描(MRIs)之所以花这么长时间，是因为机器必须创建一系列2D图像或切片，其中许多必须堆叠起来才能形成3D图像。有时只需要少数几个，但为了完整的保真度和深度，比如扫描大脑肿瘤的时候，就需要大量的切片。

由纽约大学研究人员于2015年开始的快速磁共振成像项目(The FastMRI project)，致力于研究在只收集到通常需要的一小部分数据的情况下，传统的扫描过程创造出类似质量图像的可能性。

让我们把这想象成扫描一张普通的照片。你可以扫描整个东西。但是如果你只进行隔线扫描(这被称为“采样不足”)，然后智能地填充缺失的像素，这就只需要花费一半的时间。而机器学习系统在这样的任务中表现得相当好。我们自己的大脑一直都在这样做：你有盲点，现在你没有注意到，因为你的视觉系统正在填补空白——以一种智能的方式。

(图：左边收集的数据可能是“未被充分采样”的，后面的数据将会被填满。)

如果一个人工智能系统能够被训练来填补MRI扫描的空白，这意味着只有最关键的数据被收集，那么病人所需要端坐的实际时间就可以大大减少。这对病人来说更方便，此外，机器的扫描效率提高，让扫描更便宜，也更容易获得。纽约大学医学院的研究人员在三年前就开始研究这个问题，并发表了一些早期的研究结果，表明这种方法至少是可行的。但就像磁共振扫描一样，这种工作需要时间。

“我们和其他机构在使用人工智能解决这类问题上已经迈出了一些小步，”纽约大学的Dan Sodickson说，他是那里的高级成像创新和研究中心的主任。“我们的感觉是，在第一次尝试中，使用相对简单的方法，我们可以比其他现有的加速技术做得更好——获得更好的图像质量，可能还会以一定比例加速，但还没有到大的倍数。”

因此，为了给这个项目一个助力，Sodickson和纽约大学的放射科专家正在与Facebook和它的人工智能研究小组(FAIR)的专家们联合起来。

“我们这里有一些伟大的物理学家，甚至一些热学的数学家，但Facebook和FAIR拥有世界上领先的人工智能科学家。所以这是专业知识的一种互补。”Sodickson说。

虽然Facebook并不打算启动医疗成像设备，但人工智能研究小组的使命相当广泛。

“我们正在寻找有影响力但也有科学意义的问题，”人工智能研究小组的Larry Zitnick说。基于人工智能的创造或重新创造现实的图像(通常被称为“幻象”)是研究的一个主要领域，但这将是它的一个独特的应用，更不用说这也是帮助一些人的方法。他解释说，有了病人的磁共振成像数据，生成的图像“不仅仅需要是可信的，也需要保留同样的缺陷。”因此，填补空白的计算机视觉代理需要能够识别出不仅仅是整体的模式和结构，并且能够在图像中保留甚至智能地扩展异常。如果不这样做，那将是对原始数据的大规模修改。

幸运的是，当涉及到如何产生图像时，MRI机器是相当灵活的。例如，如果你通常从200个不同的位置进行扫描，那么告诉机器做一半的工作并不难，但是告诉机器在一个区域或另一个区域扫描的密度更高就比较困难。其他像CT和PET扫描仪等也不那么便于控制。

即使经过几年的研究，这项研究仍处于早期阶段。毕竟，这些事情是不可能匆忙完成的，除了对医学数据有伦理方面的考虑外，足够的数据也很难获得。但是纽约大学研究人员的地面工作已经取得了初步的成果和强大的数据集。Zitnick指出，由于人工智能代理需要大量的数据来达到有效的水平，从一组500到一组10000的磁共振扫描，这是一个重大的变化，。有500数量级的数据集，你可以做一个概念的证明，但是对于后者来说，你可以做一些精确到实际使用的东西。

今天宣布的合作伙伴关系是在纽约大学和Facebook之间建立的，但双方都希望其他人能加入。

“我们正在公开地研究这个问题，我们将会把所有的东西都开源。”Zitnick说。人们可能会期待学术研究的减少，但现在很多人工智能的工作都是在幕后进行的。因此，作为一个合资企业的第一步将是定义问题、记录数据集并发布它，创建基线和指标来衡量它们的成功等等。与此同时，这两个组织将定期会面和交换数据，并通过实际的临床医生来运行结果。

“我们不知道如何解决这个问题，我们不知道我们是否会成功，但这是一种乐趣。”Zitnick说。