格拉茨工业大学的研究人员利用经过智能训练的神经网络，仅凭少量 MRI 测量数据就成功生成了跳动心脏的精确实时图像。使用此程序还可以加速其他 MRI 应用。这项研究发表在《医学磁共振》上。

使用磁共振成像 (MRI)进行医学成像非常耗时，因为必须根据许多单独测量的数据汇编图像。得益于机器学习的使用，使用较少的 MRI 测量数据也可以进行成像，从而节省时间和成本。

然而，前提是要有完美的图像来训练人工智能模型。对于某些应用，例如实时(动态图像)MRI，这种完美的训练图像并不存在，因为这种图像总是有些模糊。

现在，由格拉茨技术大学 (TU Graz) 生物医学成像研究所的 Martin Uecker 和 Moritz Blumenthal 领导的国际研究团队借助智能训练的神经网络，成功生成了精确的实时 MRI 心脏跳动图像，即使没有此类训练图像，而且 MRI 数据很少。得益于这些改进，实时 MRI 未来可以在实践中得到更频繁的使用。

通过保留数据校准成像

Uecker 和 Blumenthal 使用自监督学习方法来训练他们的MRI 成像机器学习模型。训练模型的基础不是预先整理的完美图像，而是模型用来重建图像的初始数据的子集。

布卢门撒尔解释说：“我们将 MRI 设备提供的测量数据分为两部分。我们的机器学习模型会根据第一部分较大的数据重建图像。然后，它会尝试根据图像计算出第二部分保留的测量数据。”

如果系统无法做到这一点或做得不好(根据底层逻辑)，那么之前重建的图像一定是错误的。模型会更新，它会创建一个新的改进的图像变体，并尝试再次计算第二个数据部分。这个过程会运行多轮，直到结果一致。