磁共振成像中的协调:对获取,图像级和特征级方法的调查

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 数据科学数据科学数据科学

背景情况:

• 医学成像数据往往显示异质性由于不同的扫描仪,协议,或网站,被称为批量效应.
• 这些非生物变异可以掩盖真正的生物信号,降低可复制性,并阻碍机器学习模型的通用性.
• 图像协调对于减轻与地点相关的偏见和提高医学成像数据可比性至关重要.

研究的目的:

• 为医疗图像协调技术提供全面的概述,重点是磁共振成像 (MRI).
• 系统地审查关键概念,方法进步,数据集,挑战和该领域的未来方向.
• 突出基于深度学习的方法在更广泛的协调方法的格局.

主要方法:

• 在成像管道中对协调方法进行分类:前性 (获取,重建) 和后性 (图像级,特征级).
• 包含基于旅行对象的技术,以实现强大的协调.
• 强调代表性方法,特别是使用深度学习的方法.

主要成果:

• 审查系统地涵盖了各种协调策略,从收购到特征级别.
• 它强调了深度学习在应对图像协调挑战方面的日益重要的作用和有效性.
• 讨论了与图像协调相关的公开数据集.

结论:

• 图像协调对于提高医学成像数据的质量和一致性至关重要,特别是MRI.
• 解决剩余的挑战和探索未来的研究途径,特别是深度学习,将进一步推动这一领域的发展.
• 统一的数据将提高可重现性,统计能力,以及神经成像研究和诊断的临床实用性.