fastMRI
Bug fix release
Site Web | Ensemble de données | Github | Publications
L'accélération de l'imagerie par résonance magnétique (IRM) en acquérant moins de mesures a le potentiel de réduire les coûts médicaux, de minimiser le stress aux patients et de rendre l'imagerie IRM possible dans les applications où il est actuellement prohibitif lent ou coûteux.
FastMRI est un projet de recherche collaboratif de Facebook AI Research (FAIR) et NYU Langone Health pour étudier l'utilisation de l'IA pour accélérer l'IRM. NYU Langone Health a publié des ensembles de données entièrement anonymisés au genou et au cerveau qui peuvent être téléchargés à partir de la page de jeu de données FastMRI. Les publications associées au projet FASTMRI se trouvent à la fin de cette lecture.
Ce référentiel contient des chargeurs de données Pytorch pratiques, des fonctions de sous-échantillonnage, des métriques d'évaluation et des implémentations de référence de méthodes de base simples. Il contient également des implémentations pour des méthodes dans certaines des publications du projet FastMRI.
Il existe plusieurs publications décrivant différents sous-composants des données (par exemple, cerveau vs genoux) et les lignes de base associées. Toutes les données FASTMRI peuvent être téléchargées à partir de la page de jeu de données FastMRI.
Résumé du projet, ensembles de données, lignes de base: FastMri: un ensemble de données ouvert et des références pour l'IRM accélérée ({J. Zbontar *, F. Knoll *, A. Sriram *} et al., 2018)
Données du genou: FastMri: un ensemble de données Raw Kpace et DICOM accessible au public des images du genou pour la reconstruction de l'image MR accélérée à l'aide de l'apprentissage automatique ({F. Knoll *, J. Zbontar *} et al., 2020)
Propriétés de l'ensemble de données du cerveau: matériel supplémentaire des résultats du défi FastMRI 2020 pour la reconstruction de l'image MR ({M. Muckley *, B. Riemenschneider *} et al., 2021)
Données de la prostate: FastMRI Prostate: un ensemble de données IRM biparamétrique accessible au public pour faire progresser l'apprentissage automatique pour l'imagerie du cancer de la prostate (Tibrewala et al., 2023)
Pour la documentation du code, la plupart des fonctions et classes ont accompagné les docstrings auxquels vous pouvez accéder via la fonction help dans Ipython. Par exemple:
from fastmri . data import SliceDataset
help ( SliceDataset ) Remarque: Les contributions au code sont testées en continu via des actions GitHub. Si vous rencontrez un problème, la meilleure première chose à faire est d'essayer de faire correspondre l'environnement tests dans setup.cfg , par exemple, pip install --editable ".[tests]" Lors de l'installation à partir de la source.
Remarque: Comme documenté dans le numéro 215, il y a actuellement une fuite de mémoire lors de l'utilisation h5py installée à partir de pip et de la conversion en une torch.Tensor . Pour éviter la fuite, vous devez utiliser h5py avec une version de HDF5 avant 1.12.1. Au 16 février 2022, la version conda de h5py 3.6.0 a utilisé HDF5 1.10.6, qui évite la fuite.
Installez d'abord Pytorch en fonction des instructions sur le site Web de Pytorch pour votre système d'exploitation et votre configuration CUDA. Ensuite, courez
pip install fastmri pip gérera toutes les dépendances du package. Après cela, vous devriez pouvoir exécuter la majeure partie du code dans le référentiel.
Si vous souhaitez installer directement à partir de la source GitHub, clonez le référentiel, accédez au répertoire root fastmri et exécutez
pip install -e . Le référentiel est centré autour du module fastmri . Le suivant décompose la structure de base:
fastmri : contient un certain nombre d'outils de base pour les mathématiques du nombre complexes, les combinaisons de bobines, etc.
fastmri.data : contient des fonctions d'utilité de données à partir du dossier data d'origine qui peuvent être utilisées pour créer des masques d'échantillonnage et des fichiers de soumission.fastmri.models : Contient des modèles de reconstruction, tels que le Net U et Varnet.fastmri.pl_modules : Pytorch Lightning Modules pour le chargement des données, la formation et la journalisation. Les dossiers fastmri_examples et banding_removal incluent le code de reproductibilité. Les modèles de référence ont été utilisés dans le papier Arxiv.
Un bref résumé des implémentations basé sur des articles avec des liens vers le code suit. Pour l'exhaustivité, nous mentionnons également des travaux sur l'acquisition active, qui est hébergé dans un autre référentiel.
Modèles de base
Échantillonnage, reconstruction et correction d'artefacts
Acquisition active
Données de la prostate
Exécutez pytest tests . Par défaut, les tests d'intégration qui utilisent les données FASTMRI sont ignorés. Si vous souhaitez exécuter ces tests, définissez SKIP_INTEGRATIONS sur False dans le Conftest.
Le ReadMe de données a un exemple nu sur la façon de charger les données et d'incorporer des transformations de données. Ce cahier Jupyter contient un tutoriel simple expliquant comment commencer à travailler avec les données.
Veuillez consulter ce script de démonstration U-Net pour un exemple de la façon de former un modèle à l'aide du framework Pytorch Lightning.
AVIS: Comme l'a documenté dans la discussion 293, le domaine Fastmri.org a été transféré de la propriété de la méta à la propriété de NYU le 2023-04-17, et NYU n'a pas encore reconstruit le site. Jusqu'à ce que le site et les leaders soient reconstruits par NYU, les classements ne seront pas disponibles. Les atténuations sont présentées dans la discussion 293.
FastMRI est sous licence MIT, comme le montre le fichier de licence.
Si vous utilisez les données ou le code FASTMRI dans votre projet, veuillez citer le papier 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 }
}Si vous utilisez les données ou le code de la prostate FastMRI dans votre projet, veuillez citer ce document:
@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 }
}Ce qui suit répertorie les titres d'articles du projet FastMRI. Les résumés correspondants, ainsi que des liens vers des préparations et du code peuvent être trouvés ici.
