时间和清晰度是否是一对矛盾呢？让我们来看斯坦福大学的Emmanuel Candes教授几年前在“21世纪计算”大会演讲中提到的这样一个故事：
在斯坦福大学医院里边有一个两岁的男孩，他患了严重的疾病，终于找到捐献的器官来置换他衰竭的肝，但医生对于这男孩的器官是否已经被堵住了这个问题非常担心，因此必须要进行一个高分辨率的扫描。CT无法分辨里面的细胞组织是死亡或是活着的，但通过MRI又是非常缓慢的，若是做高分辨的扫描，一边扫描一边呼吸图像就会比较模糊。一般来说需要憋气两分钟，但两分钟对于一个孩子会造成极大的伤害，需要加速扫描——扫描时间和检验图像抽样，这就是一个矛盾。
从之前的实验中可以看出，左边的图像是通过传统扫描技术获得的，而右边的更加准确，更加细致，清晰度是左边的8倍。可以看到有一些细节，显示肝损伤的情况。我们可以做的就是去减少一些无用的信息，是增速8倍的减少，同时我们可以获得清晰度非常高的图像，从而有助于医生的诊断。利用这种技术，这个男孩的憋气时间最终不到30秒钟，得到了有效的治疗。
这就是所谓“压缩感知”技术在医学影像上的应用。
压缩感知（Compressed Sensing），名字的含义其实就是在采集信号的同时完成对信号的压缩，可以理解为仅仅采集压缩后的信号。用一个大家经常接触到的例子：一些专业的摄影仪器拍出来的照片是RAW格式的，一张照片往往在20M以上，而我们常用的JPG格式图片仅有几百K，是将相机采集的RAW格式压缩90%的结果，也基本看不出两者的差别。那么我们为什么不直接采集几百K的信息呢？那么就可以节约大量的空间也是采集时间。这就是对压缩感知技术最直观的理解。
快速成像一直是MRI创新的重点，从最早期扫描一个序列要花费一个多小时，到如今最新的压缩感知技术已然可以实现10倍以上加速的超快速成像，磁共振的采集速度已经克服了一个又一个临床障碍。
让我们再看一个例子：
2014年发表于《医学中的计算和数学方法》杂志的一份研究中，北京理工大学信息与电子学院的赵迪（音译）发文指出，压缩感知理论被认为能够从高度欠采样的测量中实现稀疏或可压缩信号的精确重建。将压缩感知应用于MRI可以显著缩短扫描时间，而不会降低图像质量。在许多实际的MRI应用中，可以容易地获得具有与目标图像相似的解剖结构的高分辨率参考图像。如果我们利用参考图像来获得更多的先验信息，则可以进一步降低采样率。
左图是原始影像，右图是基于左图的采样处理后重构的图像，可以看到二者的清晰度的差别。
美国纳什维尔范德比尔特大学John C. Gore教授曾在《国际生物医学成像杂志》介绍，压缩感知已经显示出在一些应用中能够显著加速MRI采集。作为一种迭代重建技术，压缩感知技术重建比传统的傅立叶逆重建更耗时。使用分裂Bregman解算器和图形处理单元( GPU )计算平台，将重建速度提高了27倍。
伦敦帝国大学的Jo Schlemper又在2017年提出一个新的概念——卷积递归神经网络( CRNN )结构。他指出，动态MRI试图解剖结构的空间和时间轮廓，其具有多种应用，例如心血管成像和灌注成像。然而，由于硬件和生理约束以及满足采样率的要求，采集速度受到了根本限制。长采集时间不仅是患者的负担，而且使MRI容易受到运动伪影的影响。为了加速MRI采集，大多数方法都考虑对中的数据进行欠采样，但欠采样带来的问题既不能保证图像的全局最小值，也不能保证图像的收敛性。此外，这些方法的重建速度通常较慢。
卷积递归神经网络( CRNN )结构通过联合利用时间序列的相关性和传统优化算法的迭代特性，只需很少的参数就能有效地学习时间相关性和迭代重建过程，同时在计算复杂度、重建精度和重建速度方面优于现有的MR重建方法：每个完整的动态序列可以在不到10s的时间内重建，对于二维情况，每个图像帧可以在23 ms内重建，从而实现实时应用。
实验室的研究，如何能进一步转化为临床医生和患者的福音，带来更优的分辨率与更少的检查时间——人工智能设备如何加速MRI检查，将是我们十分期待的事件。
资料来源：
http://blog.sina.com.cn/s/blog_4abb4fac010120i4.html
https://www.hindawi.com/journals/cmmm/2014/958671/
https://www.hindawi.com/journals/ijbi/2012/864827/
https://www.groundai.com/project/convolutional-recurrent-neural-networks-for-dynamic-mr-image-reconstruction/
https://ieeexplore.ieee.org/document/8067520/
18221259202