磁共振AI加速技术很热,CT的模型训练和它一样重要磁共振的扫描速度一直是最受关注的点，从多通道线圈，并行采集，再到陶哲轩的压缩感知，一直都在和能奎斯特极限做物理学上的斗争。直到人工智能技术的引进----如果进一步缩小范围----人工智能模型训练应用出现。这里并没有冒犯的意思，医生很多缺乏工程思维，将Deep Learning深度学习重建网络简单地和“软件”作为心智的等价词语；再加上我们国家长期以来的“重软轻硬”思潮，例如梯度系统性能的提高--多发论文--更能刺激客户的兴趣，反倒是解释深度学习给客户比较难以引起共鸣。所以你只能跟他们说结果：更短的时间，更好的图像。实际上，由于工业级的人工智能模型的大规模涌现，给医学提供了无限的可能，而医学影像研究的对象恰恰是图像，更是AI最容易体现优势的场景。物理矛盾：缩短采集时间，信噪比下降，图像质量下降，这是大多数人都接受的。效率工具：通过模型的训练，时间与质量的矛盾第一次被弥合了，这也是AI的效率价值最直接的体现。反对声音：经常有人用大语言模型对话的胡说八道，来说明大语言模型的“幻觉”，担心神经网络生成的图像会有伪信息，缺失或者凭空捏造对象。这些质疑都是正常的。这来源于对AI细分领域，层级深度的缺乏了解。其实作者和大家一样，更担心AI辅助诊断带来的幻觉。- 医学影像用的模型，或者称之为引擎，并不是大语言模型；
经常出现的顾虑，例如像素推断，和人工智能辅助诊断产生幻觉混为一谈：比如互联网上的AI教母李飞飞，用实验揭露了大预言模型的软肋：给大预言模型一个全黑的图片，加上文字描述让它去诊断，大语言模型仍旧可以一本正经的胡说八道。而实际上，目前的Deep learning更像是一个专业的，狭窄的，专用的，抗干扰的神经网络，他们不从文本入手，去构建通用语言大模型，而是专用的输入输出生成器。他们对图像再现引擎持有非常审慎的观点。一定要经过客观对比，已经大量有经验的诊断医生去主观判断才可以。这个过程并不是一蹴而就的。在重建过程中强制执行数据一致性检查（Data Consistency），确保 AI 生成的图像不产生“幻觉”，保证临床诊断的安全性和真实性！
即使保守固执如西门子，也推出了Deep Resolve技术，现如今，GPSCUN无不推出并且依赖深度学习神经网络，并且并非只是在最终的图像再现端口，而是在最初阶段（原始数据/K空间）介入，结合信号域、数据域和图像域的三维协同进行优化。谁不跟，谁出局！
以磁共振为例，屏气，采集时间，一直是比较头疼的问题，那自由呼吸和更加短的采集时间，还能得到优质的图像，就是AI带来的优势：在近年，3T磁共振还受到了7T的强烈刺激，开发基于7T数据的深度学习引擎，在部分场景，可以产生媲美7T的图像。这里很多读者可能又不相信了。- 2019年，GE医疗的True Fidelity通过FDA认证；以高质量FBP做训练集；
- 2018年，佳能的AiCE 通过JFDA认证，2019年通过FDA认证，以高质量的全模型迭代做训练集；
- 2022年6月，佳能医疗搭载第一代PIQE（心血管）的宽体CT 获FDA批准，以0.25mm的4K超高清CT图像作为训练集生成心血管引擎；
- 2022年，飞利浦推出Precise Image引擎；
- 2024年4月，佳能医疗搭载第二代PIQE（心，腹部，盆腔）的宽体CT INSIGHT 获得FDA批准，仍旧以0.25mm的4K超高清CT图像作为训练集，将应用部位扩展到全身；并支持1024矩阵；
- 2026年3月，GE医疗（日本）申请的True Definition DL引擎获得FDA批准，用于骨，肺的高对比场景的高分辨成像，并计划搭载在Revolution /Apex（美国）系列上（国内预计为Revolution Apex Nexus 即将获得NMPA批准）；
以上经历，尤其是2024年以后的“高清”引擎，显然是受到了光子计数CT的强烈刺激，在积分探测器上持续优化，使得积分探测器焕发出了新的竞争力。
夜雨聆风
