ATOMMIC: An Advanced Toolbox for Multitask Medical Imaging Consistency to facilitate Artificial Intelligence applications from acquisition to analysis in Magnetic Resonance Imaging

人工智能正在革新MRI的采集和处理过程。已经开发了先进的AI框架，用于在各种连续任务中应用AI，例如图像重建、定量参数图估计和图像分割。现有的框架通常被设计为独立执行任务或专注于特定模型或数据集，从而限制了泛化。我们介绍了ATOMMIC，这是一个开源工具箱，可简化加速MRI重建和分析的AI应用。ATOMMIC使用DL网络实现了几个任务，并启用了多任务学习（MTL）来执行相关任务，以针对MRI领域的泛化。我们首先通过全面的文献搜索和解析12,479个GitHub存储库来回顾MRI AI框架的当前状态。我们在八个公开可用的数据集上对25个DL模型进行基准测试，以展示ATOMMIC在加速MRI重建、图像分割、定量参数图估计以及利用MTL的联合加速MRI重建和图像分割方面的不同应用。我们的研究结果表明，ATOMMIC是唯一支持复数和实数数据的MTL框架。单任务的评估表明，基于物理的模型通过利用MRI的物理特性来强制数据一致性，在重建高度加速采集时胜过其他模型。产生高重建质量的基于物理的模型可以准确地估计定量参数图。当高性能重建模型与使用MTL的强大分割网络相结合时，两个任务的性能都得到了提高。ATOMMIC通过标准化工作流程、增强数据互操作性、集成MTL等独特功能以及有效地对DL模型进行基准测试，促进了MRI重建和分析。

本文旨在介绍一个开源工具箱ATOMMIC，用于加速MRI重建和分析的AI应用，解决MRI领域中现有框架独立执行任务或专注于特定模型或数据集的问题，同时实现多任务学习以提高MRI领域的泛化性能。

ATOMMIC实现了多个任务，包括使用DL网络进行图像重建、定量参数图估计和图像分割，并支持多任务学习以执行相关任务，以提高MRI领域的泛化性能。此外，ATOMMIC是唯一支持复数和实数数据的MTL框架，可以提高MRI重建和分析的效率。

本文通过综合文献搜索和解析12479个GitHub存储库，对MRI领域中当前的AI框架进行了评估。作者在8个公开数据集上对25个DL模型进行了基准测试，展示了ATOMMIC在加速MRI重建、图像分割、定量参数图估计和联合加速MRI重建和图像分割方面的不同应用。作者发现，基于物理的模型在重建高度加速采集的数据时表现更好，当这些模型与强大的分割网络结合使用时，可以提高两个任务的性能。ATOMMIC通过标准化工作流程、增强数据互操作性、集成MTL等独特功能以及有效的DL模型基准测试，促进MRI重建和分析。

最近在MRI领域中，还有一些相关的研究。例如，一篇名为“Deep Learning for MRI Super-Resolution: A Review”的综述文章，对MRI超分辨率的研究进行了回顾。另一篇名为“Deep Learning in Magnetic Resonance Imaging: An Overview”的文章，提供了MRI领域中深度学习的概述和应用。