fastMRI
Bug fix release
웹 사이트 | 데이터 세트 | github | 출판물
더 적은 측정을 획득함으로써 자기 공명 영상 (MRI)을 가속화하면 의료 비용을 줄이고 환자에 대한 스트레스를 최소화하며 현재 금지적으로 느리거나 비싸지 않은 응용 분야에서 MR 영상을 가능하게 할 수 있습니다.
FASTMRI는 Facebook AI Research (Fair) 및 NYU Langone Health의 공동 연구 프로젝트로 AI의 사용을 조사하여 MRI 스캔을 더 빨리 검토했습니다. NYU Langone Health는 FastMRI 데이터 세트 페이지에서 다운로드 할 수있는 완전 익명의 무릎 및 뇌 MRI 데이터 세트를 출시했습니다. FastMRI 프로젝트와 관련된 출판물은이 readme의 끝에서 찾을 수 있습니다.
이 저장소에는 편리한 Pytorch 데이터 로더, 서브 샘플링 기능, 평가 메트릭 및 간단한 기준 방법의 참조 구현이 포함되어 있습니다. 또한 FastMRI 프로젝트의 일부 출판물에서 방법에 대한 구현도 포함되어 있습니다.
데이터의 다른 하위 구성 요소 (예 : 뇌 대 무릎) 및 관련 기준선을 설명하는 여러 간행물이 있습니다. 모든 FASTMRI 데이터는 FastMRI 데이터 세트 페이지에서 다운로드 할 수 있습니다.
프로젝트 요약, 데이터 세트, 기준선 : FastMri : 가속화 된 MRI를위한 열린 데이터 세트 및 벤치 마크 ({J. Zbontar*, F. Knoll*, A. Sriram*} et al., 2018)
무릎 데이터 : FASTMRI : 기계 학습을 사용하여 가속화 된 MR 이미지 재구성을위한 무릎 이미지의 공개적으로 사용 가능한 원시 K- 공간 및 DICOM 데이터 세트 ({F. Knoll*, J. Zbontar*} et al., 2020)
뇌 데이터 세트 특성 : 머신 러닝 MR 이미지 재구성을위한 2020 FastMri Challenge의 결과의 보충 자료 ({M. Muckley*, B. Riemenschneider*et al., 2021)
전립선 데이터 : FASTMRI 전립선 : 전립선 암 영상을위한 기계 학습을 발전시키기위한 공개적으로 이용 가능한 양파적 MRI 데이터 세트 (Tibrewala et al., 2023)
코드 문서의 경우 대부분의 기능 및 클래스에는 IPYTHON의 help 기능을 통해 액세스 할 수있는 DOCSTRING과 함께 제공됩니다. 예를 들어:
from fastmri . data import SliceDataset
help ( SliceDataset ) 참고 : 코드에 대한 기여는 GitHub 작업을 통해 지속적으로 테스트됩니다. 문제가 발생하면 가장 좋은 방법은 setup.cfg , 예 tests 들어, pip install --editable ".[tests]"
참고 : 문제 215에 문서화 된 바와 같이, 현재 h5py pip 에서 설치하고 torch.Tensor 로 변환 할 때 메모리 누출이 있습니다. 누출을 피하려면 1.12.1 전에 HDF5 버전과 함께 h5py 사용해야합니다. 2022 년 2 월 16 일 현재 h5py 3.6.0의 conda 버전은 누출을 피하는 HDF5 1.10.6을 사용했습니다.
먼저 운영 체제 및 CUDA 설정을위한 Pytorch 웹 사이트의 지시에 따라 Pytorch를 설치하십시오. 그런 다음 실행하십시오
pip install fastmri pip 모든 패키지 종속성을 처리합니다. 이 후에는 리포지토리에서 대부분의 코드를 실행할 수 있어야합니다.
GitHub 소스에서 직접 설치하려면 저장소를 복제하고 fastmri Root 디렉토리로 이동하여 실행하십시오.
pip install -e . 저장소는 fastmri 모듈을 중심으로합니다. 다음은 기본 구조를 분류합니다.
fastmri : 복소수 수학, 코일 조합 등을위한 여러 기본 도구가 포함되어 있습니다.
fastmri.data : 샘플링 마스크 및 제출 파일을 만드는 데 사용할 수있는 원본 data 폴더의 데이터 유틸리티 기능이 포함되어 있습니다.fastmri.models : U-NET 및 VARNET과 같은 재구성 모델이 포함되어 있습니다.fastmri.pl_modules : 데이터로드, 교육 및 로깅을위한 Pytorch Lightning 모듈. fastmri_examples 및 banding_removal 폴더에는 재현성을위한 코드가 포함되어 있습니다. 기준선 모델은 ARXIV 용지에 사용되었습니다.
코드 링크가있는 논문을 기반으로 한 구현에 대한 간단한 요약. 완전성을 위해 다른 저장소에서 호스팅되는 활성 획득에 대한 작업도 언급합니다.
기준선 모델
샘플링, 재구성 및 아티팩트 보정
적극적인 획득
전립선 데이터
pytest tests 실행하십시오. 기본적으로 FastMRI 데이터를 사용하는 통합 테스트가 건너 뜁니다. 이 테스트를 실행하려면 conftest에서 SKIP_INTEGRATIONS False 로 설정하십시오.
데이터 readme에는 데이터를로드하고 데이터 변환을 통합하는 방법에 대한 베어 본 예제가 있습니다. 이 Jupyter 노트북에는 데이터 작업을 시작하는 방법을 설명하는 간단한 튜토리얼이 포함되어 있습니다.
Pytorch Lightning Framework를 사용하여 모델을 훈련시키는 방법의 예는이 U-Net 데모 스크립트를 참조하십시오.
통지 : 토론 293에 기록 된 바와 같이, FastMri.org 도메인은 2023-04-17의 META 소유권에서 NYU 소유권으로 이전되었으며 NYU는 아직 사이트를 재건하지 않았습니다. NYU에 의해 사이트와 리더 바드가 재건 될 때까지 리더 보드를 사용할 수 없습니다. 완화는 토론 293에 제시되어있다.
FASTMRI는 라이센스 파일에서 찾은 것처럼 MIT 라이센스가 부여됩니다.
프로젝트에서 FastMRI 데이터 또는 코드를 사용하는 경우 ARXIV 용지를 인용하십시오.
@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 }
}프로젝트에서 FastMri 전립선 데이터 또는 코드를 사용하는 경우 해당 논문을 인용하십시오.
@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 }
}다음은 FastMri 프로젝트의 논문 제목을 나열합니다. 해당 초록과 사전 인쇄 및 코드 링크는 여기에서 찾을 수 있습니다.
