Fundamentos físicos para una imagen médica confiable: una encuesta para investigadores de inteligencia artificial

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• La física

Sus antecedentes:

• La inteligencia artificial (IA) ha avanzado rápidamente en imágenes médicas, utilizando el aprendizaje profundo y el poder computacional.
• Las aplicaciones de IA abarcan varias modalidades como rayos X, imágenes nucleares y ultrasonidos, cada una con limitaciones físicas únicas.
• Existe una brecha entre los profesionales de la IA y la comprensión de la física de la adquisición de imágenes médicas.

Objetivo del estudio:

• Revisar los conceptos físicos fundamentales en las imágenes médicas.
• Examinar cómo el conocimiento de la física influye en los desarrollos de la IA en imágenes médicas.
• Explorar el aprendizaje automático basado en la física para mejorar el aprendizaje de las características de la IA.

Principales métodos:

• Revisión de los principios físicos fundamentales en las modalidades de imágenes médicas.
• Análisis de las aplicaciones de IA, centrándose en modelos generativos y algoritmos de reconstrucción.
• Descripción de las técnicas de aprendizaje automático basado en la física (PIML).

Principales resultados:

• Comprender la física es crucial para una IA confiable en imágenes médicas, particularmente con datos limitados.
• El conocimiento de la física puede mejorar el rendimiento de los modelos de IA en el análisis de imágenes médicas.
• PIML ofrece una dirección prometedora para mejorar el aprendizaje de características en imágenes médicas impulsadas por IA.

Conclusiones:

• Cerrar la brecha entre la IA y la física es esencial para desbloquear todo el potencial de la IA en imágenes médicas.
• La incorporación de la física en los sistemas de IA conduce a un análisis de imágenes médicas más confiable y robusto.
• El desarrollo futuro de la IA en imágenes médicas debe enfatizar enfoques basados en la física.