fastMRI

fastmri

الموقع | مجموعة البيانات | جيثب | المنشورات

إن تسريع تصوير الرنين المغناطيسي (MRI) من خلال الحصول على عدد أقل من القياسات له القدرة على تقليل التكاليف الطبية ، وتقليل الإجهاد للمرضى وجعل التصوير بالرنين المغناطيسي ممكنًا في التطبيقات حيث يكون بطيئًا أو باهظًا حاليًا.

Fastmri هو مشروع بحثي تعاوني من Facebook AI Research (Fair) و NYU Langone Health للتحقيق في استخدام منظمة العفو الدولية لجعل عمليات مسح التصوير بالرنين المغناطيسي أسرع. أصدرت شركة NYU Langone Health مجموعات بيانات مجهولة الهوية في الركبة والدماغ التي يمكن تنزيلها من صفحة مجموعة بيانات Fastmri. يمكن العثور على المنشورات المرتبطة بمشروع Fastmri في نهاية هذه القراءة.

يحتوي هذا المستودع على لوادر بيانات Pytorch مريحة ، وظائف العينات الفرعية ، ومقاييس التقييم ، والتطبيقات المرجعية لطرق خط الأساس البسيطة. كما أنه يحتوي على تطبيقات للطرق في بعض منشورات مشروع Fastmri.

الوثائق

مجموعة بيانات Fastmri

هناك منشورات متعددة تصف العناصر الفرعية المختلفة للبيانات (على سبيل المثال ، الدماغ مقابل الركبة) وخطوط الأساس المرتبطة بها. يمكن تنزيل جميع بيانات Fastmri من صفحة مجموعة بيانات Fastmri.

• ملخص المشروع ، مجموعات البيانات ، خطوط الأساس: fastmri: مجموعة بيانات مفتوحة ومعايير للتصوير بالرنين المغناطيسي المتسارع ({J. Zbontar*، F. Knoll*، A. Sriram*} et al. ، 2018)

• بيانات الركبة: Fastmri: مجموعة بيانات RAW K-Space و DICOM متوفرة من صور الركبة لإعادة بناء صورة MR المتسارعة باستخدام التعلم الآلي ({F. Knoll*، J. Zbontar*} et al. ، 2020)

• خصائص مجموعة بيانات الدماغ: المواد التكميلية لنتائج تحدي Fastmri 2020 لتعلم الآلة MR Reconstruction MR ({M. Muckley*، B. Riemenschneider*} et al. ، 2021)

• بيانات البروستاتا: Fastmri Prostate: مجموعة بيانات التصوير بالرنين المغناطيسي للتصوير بالرنين المغناطيسي للجمهور للجمهور لتعزيز التعلم الآلي لتصوير سرطان البروستاتا (Tibrewala et al. ، 2023)

كود مستودع

بالنسبة لوثائق التعليمات البرمجية ، تحتوي معظم الوظائف والفئات على المستندات المرافقة التي يمكنك الوصول إليها عبر وظيفة help في ipython. على سبيل المثال:

 from fastmri . data import SliceDataset

help ( SliceDataset )

التبعيات والتركيب

ملاحظة: يتم اختبار المساهمات في الكود بشكل مستمر عبر إجراءات GitHub. إذا واجهت مشكلة ، فإن أفضل ما يمكنك فعله هو محاولة مطابقة بيئة tests في setup.cfg ، على سبيل المثال ، pip install --editable ".[tests]" عند التثبيت من المصدر.

ملاحظة: كما هو موثق في العدد 215 ، يوجد حاليًا تسرب ذاكرة عند استخدام h5py مثبت من pip والتحويل إلى torch.Tensor . لتجنب التسرب ، تحتاج إلى استخدام h5py مع إصدار من HDF5 قبل 1.12.1. اعتبارًا من 16 فبراير ، 2022 ، استخدم إصدار conda من h5py 3.6.0 HDF5 1.10.6 ، والذي يتجنب التسرب.

قم أولاً بتثبيت Pytorch وفقًا للإرشادات الموجودة في موقع Pytorch لنظام التشغيل الخاص بك وإعداد CUDA. ثم ، ركض

pip install fastmri

سوف pip التعامل مع جميع تبعيات الحزمة. بعد ذلك ، يجب أن تكون قادرًا على تشغيل معظم الكود في المستودع.

التثبيت مباشرة من المصدر

إذا كنت ترغب في التثبيت مباشرة من مصدر github ، فقم باستنساخ المستودع ، وانتقل إلى دليل الجذر fastmri و raun

pip install -e . 

بنية الحزمة والاستخدام

يتركز المستودع حول وحدة fastmri . ما يلي يكسر الهيكل الأساسي:

fastmri : يحتوي على عدد من الأدوات الأساسية للرياضيات المعقدة ، ومجموعات الملفات ، إلخ.

• fastmri.data : يحتوي على وظائف أداة البيانات من مجلد data الأصلي يمكن استخدامه لإنشاء أقنعة أخذ العينات وملفات التقديم.
• fastmri.models : يحتوي على نماذج لإعادة الإعمار ، مثل U-Net و Varnet.
• fastmri.pl_modules : وحدات Lightning Pytorch لتحميل البيانات والتدريب والتسجيل.

أمثلة وإعادة التنسيق

تتضمن مجلدات fastmri_examples و banding_removal رمزًا للاستنساخ. تم استخدام النماذج الأساسية في ورقة Arxiv.

يتبع ملخص موجز للآثار بناءً على أوراق مع روابط إلى الكود. من أجل الاكتمال ، نذكر أيضًا العمل على عملية الاستحواذ النشطة ، والتي يتم استضافتها في مستودع آخر.

• نماذج خط الأساس

  • أمثلة مملوءة صفرًا لتوفير الصور لتقديم المتصدرين
  • espirit - أسلوب ذو قيمة الذاتية للتصوير بالرنين المغناطيسي المتوازي التلقائي: حيث يلتقي Sense Grappa (M. Uecker et al. ، 2013)
  • U-Net: الشبكات التلافيفية لتجزئة الصور الطبية الحيوية (O. Ronneberger et al. ، 2015)

• أخذ العينات وإعادة الإعمار وتصحيح القطع الأثرية

  • إن عينة الإزاحة تعمل على تحسين عمليات إعادة بناء التصوير بالرنين المغناطيسي المعتمدة على التعلم العميق عن طريق استغلال التماثل (A. Defazio ، 2019)
  • شبكات التباين من طرف إلى طرف لإعادة بناء التصوير بالرنين المغناطيسي المتسارع ({A. Sriram*، J. Zbontar*} et al. ، 2020)
  • إزالة التصوير بالرنين المغناطيسي عن طريق التدريب العدواني (A. Defazio ، وآخرون ، 2020)
  • تتيح إعادة بناء التعلم العميق التصوير بالرنين المغناطيسي السريري السريري (P. Johnson et al. ، 2023)
  • إعادة بناء التصوير بالرنين المغناطيسي المتسارع عبر شبكة التباين والتعلم المجال (I. Giannakopoulos et al. ، 2024)

• اكتساب نشط

  • (مستودع خارجي) تقليل عدم اليقين في إعادة بناء التصوير بالرنين المغناطيسي تحت أخطاء مع الاستحواذ النشط (Z. Zhang et al. ، 2019)
  • (مستودع خارجي) أخذ عينات MR K-Space نشطة مع تعلم التعزيز (L. Pineda et al. ، 2020)
  • على تعلم سياسات الاستحواذ التكيفية لإعادة بناء التصوير بالرنين المغناطيسي متعدد الويلزات (T. Bakker et al. ، 2022)

• بيانات البروستاتا

  • (Respository الخارجي) Fastmri Prostate: مجموعة بيانات التصوير بالرنين المغناطيسي للتصوير بالرنين المغناطيسي للجمهور متوفرة للجمهور لتعزيز التعلم الآلي لتصوير سرطان البروستاتا (Tibrewala et al. ، 2023)

الاختبار

تشغيل pytest tests . بشكل افتراضي ، يتم تخطي اختبارات التكامل التي تستخدم بيانات fastmri. إذا كنت ترغب في إجراء هذه الاختبارات ، فقم بتعيين SKIP_INTEGRATIONS على False في Conftest.

تدريب نموذج

يحتوي README على مثال على كيفية تحميل البيانات ودمج تحويلات البيانات. يحتوي دفتر Jupyter هذا على برنامج تعليمي بسيط يشرح كيفية البدء في العمل مع البيانات.

يرجى إلقاء نظرة على هذا البرنامج النصي التجريبي U-NET للحصول على مثال على كيفية تدريب نموذج باستخدام إطار Lightning Pytorch.

الخضوع إلى لوحة المتصدرين

إشعار: كما هو موثق في المناقشة 293 ، تم نقل مجال Fastmri.org من ملكية Meta إلى ملكية NYU في 2023-04-17 ، ولم يعيد NYU إعادة بناء الموقع بعد. حتى يتم إعادة بناء الموقع و LeaderBaords من قبل جامعة نيويورك ، لن تكون متاحة المتصدرين. يتم تقديم التخفيفات في المناقشة 293.

رخصة

تم ترخيص Fastmri ، كما هو موجود في ملف الترخيص.

استشهد

إذا كنت تستخدم بيانات أو رمز fastmri في مشروعك ، فيرجى الاستشهاد بورقة Arxiv:

 @misc { 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 }
}

إذا كنت تستخدم بيانات Pastmri Prostate أو رمز في مشروعك ، فيرجى الاستشهاد بهذه الورقة:

 @misc { tibrewala2023fastmri ,
  title = { {FastMRI Prostate}: A Publicly Available, Biparametric {MRI} Dataset to Advance Machine Learning for Prostate Cancer Imaging } ,
  author = { Tibrewala, Radhika and Dutt, Tarun and Tong, Angela and Ginocchio, Luke and Keerthivasan, Mahesh B and Baete, Steven H and Chopra, Sumit and Lui, Yvonne W and Sodickson, Daniel K and Chandarana, Hersh and Johnson, Patricia M } ,
  journal = { ArXiv e-prints } ,
  archivePrefix = " arXiv " ,
  eprint = { 2304.09254 } ,
  year = { 2023 }
}

قائمة الأوراق

يسرد العناوين التالية للأوراق من مشروع Fastmri. يمكن العثور على الملخصات المقابلة ، وكذلك الروابط إلى المطبوعات المسبقة والرمز هنا.

1. Zbontar ، J.*، Knoll ، F.*، Sriram ، A.*، Murrell ، T. ، Huang ، Z. ، Muckley ، MJ ، ... & Lui ، YW (2018). Fastmri: مجموعة بيانات مفتوحة ومعايير للتصوير بالرنين المغناطيسي المتسارع. Arxiv preprint Arxiv: 1811.08839 .
2. Zhang ، Z. ، Romero ، A. ، Muckley ، MJ ، Vincent ، P. ، Yang ، L. ، & Drozdzal ، M. (2019). تقليل عدم اليقين في إعادة بناء التصوير بالرنين المغناطيسي تحت سجادة مع الاستحواذ النشط. في CVPR ، الصفحات 2049-2058.
3. Defazio ، A. (2019). إن أخذ عينات الإزاحة يحسن عمليات إعادة بناء التصوير بالرنين المغناطيسي السريع في التعلم العميق عن طريق استغلال التماثل. Arxiv preprint ، Arxiv: 1912.01101 .
4. Knoll ، F.*، Zbontar ، J.*، Sriram ، A. ، Muckley ، MJ ، Bruno ، M. ، Defazio ، A. ، ... & Lui ، YW (2020). FASTMRI: مجموعة بيانات RAW K-Space و DICOM متوفرة للجمهور من صور الركبة لإعادة بناء صورة MR المتسارعة باستخدام التعلم الآلي. الأشعة: الذكاء الاصطناعي ، 2 (1) ، صفحة E190007.
5. Knoll ، F.*، Murrell ، T.*، Sriram ، A.*، Yakubova ، N. ، Zbontar ، J. ، Rabbat ، M. ، ... & Recht ، MP (2020). تقدم التعلم الآلي لإعادة بناء MR Image مع منافسة مفتوحة: نظرة عامة على تحدي Fastmri 2019. الرنين المغناطيسي في الطب ، 84 (6) ، الصفحات 3054-3070.
6. Sriram ، A. ، Zbontar ، J. ، Murrell ، T. ، Zitnick ، CL ، Defazio ، A. ، & Sodickson ، DK (2020). كرابانيت: الجمع بين التصوير المتوازي والتعلم العميق لإعادة بناء التصوير بالرنين المغناطيسي متعدد الويلية. في CVPR ، الصفحات 14315-14322.
7. Recht ، MP ، Zbontar ، J. ، Sodickson ، DK ، Knoll ، F. ، Yakubova ، N. ، Sriram ، A. ، ... & Zitnick ، CL (2020). باستخدام التعلم العميق لتسريع التصوير بالرنين المغناطيسي للركبة في 3T: نتائج دراسة قابلية التبادل. المجلة الأمريكية لعلم التجارة ، 215 (6) ، الصفحات 1421-1429.
8. Pineda ، L. ، Basu ، S. ، Romero ، A. ، Calandra ، R. ، & Drozdzal ، M. (2020). أخذ عينات MR K-Space النشطة مع التعلم التعزيز. في ميكاي ، الصفحات 23-33.
9. Sriram ، A.*، Zbontar ، J.*، Murrell ، T. ، Defazio ، A. ، Zitnick ، CL ، Yakubova ، N. ، ... & Johnson ، P. (2020). شبكات التباين من طرف إلى طرف لإعادة بناء التصوير بالرنين المغناطيسي المتسارع. في ميكاي ، الصفحات 64-73.
10. Defazio ، A. ، Murrell ، T. ، & Recht ، MP (2020). التصوير بالرنين المغناطيسي إزالة النطاق عبر التدريب العدواني. في التقدم في أنظمة معالجة المعلومات العصبية ، 33 ، الصفحات 7660-7670.
11. Muckley ، MJ*، Riemenschneider ، B.*، Radmanesh ، A. ، Kim ، S. ، Jeong ، G. ، Ko ، J. ، ... & Knoll ، F. (2021). نتائج تحدي Fastmri 2020 للتعلم الآلي MR إعادة بناء الصورة. معاملات IEEE على التصوير الطبي ، 40 (9) ، الصفحات 2306-2317.
12. Johnson ، PM ، Jeong ، G. ، Hammernik ، K. ، Schlemper ، J. ، Qin ، C. ، Duan ، J. ، ... ، & Knoll ، F. (2021). تقييم متانة إعادة بناء صورة MR المستفادة إلى الانحرافات المنهجية بين بيانات التدريب واختبار النماذج من تحدي Fastmri. في ورشة Miccai Mlmir ، الصفحات 25-34 ،
13. Bakker ، T. ، Muckley ، MJ ، Romero-Soriano ، A. ، Drozdzal ، M. & Pineda ، L. (2022). على تعلم سياسات الاستحواذ التكيفية لإعادة بناء التصوير بالرنين المغناطيسي متعدد الويلزات. في منتصف ، الصفحات 63-85.
14. Radmanesh ، A.*، Muckley ، Mj*، Murrell ، T. ، Lindsey ، E. ، Sriram ، A. ، Knoll ، F. ، ... & Lui ، YW (2022). استكشاف حدود التسارع من التعلم العميق الفارنيت القائم على MRI الدماغ ثنائي الأبعاد. الأشعة: الذكاء الاصطناعي ، 4 (6) ، صفحة E210313.
15. Johnson ، PM ، Lin ، DJ ، Zbontar ، J. ، Zitnick ، Cl ، Sriram ، A. ، Muckley ، M. ، Babb ، JS ، Kline ، M. ، Ciavarra ، G. ، Alaia ، E. ، & Knoll ، F. (2023). تتيح إعادة بناء التعلم العميق التصوير بالرنين المغناطيسي السريري السريري. الأشعة ، 307 (2) ، صفحة E220425.
16. Tibrewala ، R. ، Dutt ، T. ، Tong ، A. ، Ginocchio ، L. ، Keerthivasan ، MB ، Baete ، SH ، Lui ، YW ، Sodickson ، DK ، Chandarana ، H. ، Johnson ، PM (2023). Fastmri Prostate: مجموعة بيانات التصوير بالرنين المغناطيسي للتصوير بالرنين المغناطيسي المتوفرة للجمهور لتعزيز التعلم الآلي لتصوير سرطان البروستاتا. Arxiv preprint ، Arxiv: 2034.09254 .
17. Giannakopoulos ، II ، Muckley ، MJ ، Kim ، J. ، Breen ، M. ، Johnson ، PM ، Lui ، YW ، Lattanzi ، R. (2024). إعادة بناء التصوير بالرنين المغناطيسي المتسارع عبر شبكة التباين وتعلم المجال. التقارير العلمية. التقارير العلمية ، 14 (1) ، 10991 .