对人工智能驱动的MRI运动工件检测和纠正的系统审查和元分析
Mojtaba Safari1, Zach Eidex1, Richard L J Qiu1
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, 30322, GA, USA.
ArXiv
|September 15, 2025
概括
人工智能 (AI),特别是深度学习 (DL) 生成模型,显示出纠正磁共振成像 (MRI) 运动工件的前景. 需要进一步的研究来应对诸如通用性和数据标准化等挑战,以提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 运动工件显著降低了磁共振成像 (MRI) 的质量.
- 开发有效的方法来检测和纠正MRI运动文物对于准确的诊断至关重要.
研究的目的:
- 系统地审查和对人工智能 (AI) 驱动的MRI运动工件检测和校正方法进行元分析.
- 评估当前的发展,有效性,挑战和未来的研究方向在MRI运动文物AI.
主要方法:
- 进行了全面的系统审查和元分析.
- 专注于深度学习 (DL) 方法,特别是生成模型.
- 提取了数据集,DL架构和性能指标的定量数据.
主要成果:
- 深度学习 (DL) 生成模型在减少MRI运动工件和提高图像质量方面显示出潜力.
- 主要挑战包括有限的概括性,对配对训练数据的依赖,以及视觉扭曲的风险.
结论:
- 人工智能,特别是DL生成模型,通过处理运动工件来提高MRI质量,具有显著的潜力.
- 应对诸如公共数据集,标准化报告和可适应的DL技术等挑战至关重要.
- 改进可能会提高MRI诊断的准确性,降低医疗保健成本,并改善患者的治疗结果.
