对人工智能驱动的MRI运动工件检测和校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.
概括
人工智能 (AI) 和深度学习 (DL) 在纠正磁共振成像 (MRI) 运动器件方面表现有前途. 需要进一步的研究来应对诸如通用性和数据要求等挑战,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,影响了诊断准确度.
- 现有的人工物校正方法在有效性和通用性上往往是有限的.
- 人工智能 (AI) 为检测和纠正MRI运动文物提供了潜在的解决方案.
研究的目的:
- 系统地审查和元分析人工智能驱动的MRI运动文物检测和校正方法.
- 评估当前AI在该领域的发展,有效性和挑战.
- 确定基于人工智能的MRI文物校正的未来研究方向.
主要方法:
- 对相关研究进行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.
- 在数据集,DL架构和性能指标上提取定量数据.
主要成果:
- 深度学习,特别是生成模型,在减少MRI运动工件和提高图像质量方面显示出潜力.
- 关键的挑战包括模型的有限通用性,对配对训练数据的依赖,以及引入视觉扭曲的风险.
- 需要标准化数据集和报告协议来推动该领域的发展.
结论:
- 人工智能,特别是DL生成模型,通过处理运动工件来改善MRI图像质量,具有显著的前景.
- 关键的挑战包括开发全面的公共数据集和对文物级别的标准化报告.
- 推进可适应的DL技术至关重要,以减少对广泛配对数据集的依赖,最终提高MRI诊断准确性和患者护理.
