fastMRI
Bug fix release
网站|数据集| github |出版物
通过获得较少的测量值来加速磁共振成像（MRI）有可能减少医疗成本，最大程度地减少患者的压力，并在目前过速或昂贵的应用中使MR成像成为可能。
FastMRI是Facebook AI Research（Fair）和Nyu Langone Health的合作研究项目，以调查AI的使用来更快地进行MRI扫描。 NYU Langone Health已发布了完全匿名的膝盖和大脑MRI数据集，可以从FastMRI数据集页面下载。与FastMRI项目相关的出版物可以在此读数的末尾找到。
该存储库包含方便的pytorch数据加载程序，子采样功能，评估指标以及简单基线方法的参考实现。它还包含FastMRI项目某些出版物中方法的实现。
有多个出版物描述了数据的不同子组成部分（例如，大脑与膝盖）和相关的基准。所有FastMRI数据都可以从FastMRI数据集页面下载。
项目摘要，数据集，基线： FastMRI：加速MRI的开放数据集和基准（{J. Zbontar*，F。Knoll*，A。Sriram*}等，2018）
膝盖数据： FastMRI：使用机器学习加速MR图像重建的膝盖图像的公开可用的k空间和DICOM数据集（{F. Knoll*，J。Zbontar*}等，2020）
脑数据集属性： 2020 FastMRI挑战的补充材料MR图像重建（{M. Muckley*，B。Riemenschneider*}等，2021）
前列腺数据： FastMRI前列腺：一种公开可用的，两次摄取的MRI数据集，用于推进前列腺癌成像的机器学习（Tibrewrewala等，2023）
对于代码文档，大多数功能和类都有随附的Docstrings，您可以通过IPYTHON中的help功能访问。例如：
from fastmri . data import SliceDataset
help ( SliceDataset )注意：对代码的贡献通过GitHub操作进行了连续测试。如果遇到问题，最好的第一件事是尝试匹配setup.cfg ，例如，pip安装的tests环境pip install --editable ".[tests]"
注意：正如第215期中的记录，当使用从h5py安装并转换为torch.Tensor pip ，当前有内存泄漏。为避免泄漏，您需要在1.12.1之前将h5py与HDF5版本使用。截至2022年2月16日， h5py 3.6.0的conda版本使用了HDF5 1.10.6，避免了泄漏。
首先根据Pytorch网站上的指示安装Pytorch，用于您的操作系统和CUDA设置。然后，运行
pip install fastmri pip将处理所有软件包依赖关系。此后，您应该能够在存储库中运行大多数代码。
如果要直接从GitHub源安装，请克隆存储库，导航到fastmri root Directory并运行
pip install -e . 存储库以fastmri模块为中心。以下分解了基本结构：
fastmri ：包含许多用于复杂数字数学，线圈组合等的基本工具。
fastmri.data ：包含来自原始data文件夹的数据实用程序功能，可用于创建采样掩码和提交文件。fastmri.models ：包含重建模型，例如U-NET和VARNET。fastmri.pl_modules ：用于数据加载，训练和记录的Pytorch Lightning模块。 fastmri_examples和banding_removal文件夹包含可重复性的代码。基线模型用于Arxiv纸。
基于与代码链接的论文的实施简要摘要如下。对于完整性，我们还提到了在另一个存储库中托管的主动获取工作。
基线模型
采样，重建和伪影校正
积极获取
前列腺数据
运行pytest tests 。默认情况下，使用了使用FastMRI数据的集成测试。如果您想运行这些测试，请将SKIP_INTEGRATIONS设置为false中的False 。
数据回顾有一个简单的示例，用于加载数据并结合数据变换。这本jupyter笔记本包含一个简单的教程，说明如何开始使用数据。
请查看此U-NET演示脚本，以获取如何使用Pytorch Lightning框架训练模型的示例。
注意：正如讨论293中所记录的那样，FastMri.org域于2023-04-17从Meta所有权转移到NYU所有权，纽约大学尚未重建该网站。在纽约大学重建网站和领导者之前，排行榜将是不可用的。缓解措施在讨论中提出293。
FastMRI已在许可证文件中发现。
如果您在项目中使用FastMRI数据或代码，请引用Arxiv论文：
@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 }
}如果您在项目中使用FastMRI前列腺数据或代码，请引用该论文：
@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 }
}以下列表列出了FastMRI项目的论文标题。可以在此处找到相应的摘要以及与预印本和代码的链接。
