fastMRI
Bug fix release
Site | Conjunto de dados | Github | Publicações
A aceleração da ressonância magnética (RM), a aquisição de menos medições tem o potencial de reduzir os custos médicos, minimizar o estresse para os pacientes e possibilitar a ressonância magnética em aplicações em que atualmente é proibitivamente lento ou caro.
O FastMRI é um projeto de pesquisa colaborativo da Facebook AI Research (FAIR) e da NYU Langone Health para investigar o uso da IA para tornar mais rápido a ressonância magnética. A NYU Langone Health lançou conjuntos de dados de ressonância magnética de joelho e cérebro totalmente anonimizados que podem ser baixados na página do conjunto de dados FastMri. As publicações associadas ao projeto FastMRI podem ser encontradas no final deste Readme.
Este repositório contém carregadores de dados pytorch convenientes, funções de subamostragem, métricas de avaliação e implementações de referência de métodos de linha de base simples. Ele também contém implementações para métodos em algumas das publicações do projeto FastMRI.
Existem várias publicações descrevendo diferentes subcomponentes dos dados (por exemplo, cérebro vs. joelho) e linhas de base associadas. Todos os dados do FastMRI podem ser baixados na página do conjunto de dados FastMRI.
Resumo do projeto, conjuntos de dados, linhas de base: fastmri: um conjunto de dados aberto e benchmarks para ressonância magnética acelerada ({J. Zbontar*, F. Knoll*, A. Sriram*} et al., 2018)
Dados dos joelhos: FastMri: um conjunto de dados de K-Space K Raw e DICOM disponível em imagens de joelho para a reconstrução de imagem acelerada de MR usando o aprendizado de máquina ({F. Knoll*, J. Zbontar*} et al., 2020)
Propriedades do conjunto de dados do cérebro: Material suplementar dos resultados do desafio de 2020 FastMri para o aprendizado de máquina RM Reconstrução de imagem ({M. Muckley*, B. Riemenschneider*} et al., 2021)
Dados da próstata: FastMri Prostate: Um conjunto de dados de ressonância magnética biparamétrica disponível publicamente para promover o aprendizado de máquina para imagens de câncer de próstata (Tibrewala et al., 2023)
Para documentação do código, a maioria das funções e classes possui o DocStrings que você pode acessar por meio da função help no ipython. Por exemplo:
from fastmri . data import SliceDataset
help ( SliceDataset ) Nota: As contribuições para o código são testadas continuamente por meio de ações do GitHub. Se você encontrar um problema, a melhor coisa a fazer é tentar corresponder ao ambiente tests em setup.cfg , por exemplo, pip install --editable ".[tests]" ao instalar a partir da fonte.
Nota: Conforme documentado na edição 215, atualmente há um vazamento de memória ao usar h5py instalado a partir do pip e converter em uma torch.Tensor . Para evitar o vazamento, você precisa usar h5py com uma versão do HDF5 antes de 1.12.1. Em 16 de fevereiro de 2022, a versão conda do h5py 3.6.0 usou o HDF5 1.10.6, que evita o vazamento.
Primeiro, instale o Pytorch de acordo com as instruções no site da Pytorch para o seu sistema operacional e configuração do CUDA. Então, corra
pip install fastmri pip lidará com todas as dependências do pacote. Depois disso, você poderá executar a maior parte do código no repositório.
Se você deseja instalar diretamente a partir da fonte do GitHub, clone o repositório, navegue até o diretório raiz fastmri e execute
pip install -e . O repositório é centrado em torno do módulo fastmri . O seguinte quebra a estrutura básica:
fastmri : contém várias ferramentas básicas para matemática de números complexos, combinações de bobinas, etc.
fastmri.data : contém funções de utilitário de dados da pasta data originais que podem ser usadas para criar máscaras de amostragem e arquivos de envio.fastmri.models : Contém modelos de reconstrução, como a rede U e Varnet.fastmri.pl_modules : Módulos de Lightning Pytorch para carregamento, treinamento e registro de dados. As pastas fastmri_examples e banding_removal incluem código para reprodutibilidade. Os modelos de linha de base foram usados no papel Arxiv.
Um breve resumo das implementos baseado em artigos com links para o código segue. Para completude, também mencionamos o trabalho de aquisição ativa, que está hospedada em outro repositório.
Modelos de linha de base
Amostragem, reconstrução e correção de artefatos
Aquisição ativa
Dados da próstata
Execute pytest tests . Por padrão, os testes de integração que usam os dados do FastMRI são ignorados. Se você deseja executar esses testes, defina SKIP_INTEGRATIONS como False no conftest.
O ReadMe de dados tem um exemplo de ossos nus sobre como carregar dados e incorporar transformações de dados. Este notebook Jupyter contém um tutorial simples, explicando como começar a trabalhar com os dados.
Por favor, observe este script de demonstração U-Net para obter um exemplo de como treinar um modelo usando a estrutura Pytorch Lightning.
Aviso: Conforme documentado na discussão 293, o domínio FastMri.org foi transferido da propriedade da Meta para a propriedade da NYU em 2023-04-17, e a NYU ainda não reconstruiu o site. Até que o site e a liderança sejam reconstruídos pela NYU, as tabelas de classificação não estarão disponíveis. As mitigações são apresentadas na discussão 293.
O FastMRI é licenciado pelo MIT, conforme encontrado no arquivo de licença.
Se você usar os dados ou código FastMRI em seu projeto, cite o artigo 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 }
}Se você usar os dados ou código da próstata FastMri em seu projeto, cite esse artigo:
@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 }
}Os seguintes listam os títulos de artigos do projeto FastMri. Os resumos correspondentes, bem como links para pré -impressão e código, podem ser encontrados aqui.
