Tendencias emergentes en resonancias magnéticas rápidas utilizando reconstrucción de aprendizaje profundo en datos de espacio k submuestreados: una revisión sistemática
Autores: Singh, Dilbag; Monga, Anmol; de Moura, Hector L.; Zhang, Xiaoxia; Zibetti, Marcelo V. W.; Regatte, Ravinder R.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Tendencias emergentes en resonancias magnéticas rápidas utilizando reconstrucción de aprendizaje profundo en datos de espacio k submuestreados: una revisión sistemática
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Resonancia magnética
Aprendizaje profundo
Resonancia magnética rápida
Revisión sistemática de la literatura
Submuestreo de espacio k
Reconstrucción profunda de resonancia magnética
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
La resonancia magnética (MRI) es una modalidad esencial de imagen médica que proporciona un excelente contraste de tejidos blandos e imágenes de alta resolución del cuerpo humano, lo que nos permite comprender información detallada sobre la morfología, integridad estructural y procesos fisiológicos. Sin embargo, los exámenes de MRI suelen requerir tiempos prolongados de adquisición. Métodos como la MRI paralela y el Muestreo Compresivo (CS) han reducido significativamente el tiempo de adquisición de MRI al adquirir menos datos a través de un submuestreo del espacio k. El estado del arte de la MRI rápida ha sido redefinido recientemente al integrar modelos de Aprendizaje Profundo (DL) con estos enfoques submuestreados. Esta Revisión Sistemática de la Literatura (SLR) analiza de manera integral los modelos de reconstrucción de MRI profunda, enfatizando los elementos clave de los métodos propuestos recientemente y resaltando sus fortalezas y debilidades. Esta SLR implica la búsqueda y selección de estudios relevantes en varias bases de datos, incluyendo Web of Science y Scopus, seguido de un riguroso proceso de selección y extracción de datos utilizando las pautas de Informes Preferidos para Revisiones Sistemáticas y Meta-Análisis (PRISMA). Se enfoca en diversas técnicas, como el aprendizaje residual, la representación de imágenes utilizando codificadores y decodificadores, capas de consistencia de datos, redes desenrolladas, activaciones aprendidas, módulos de atención, priors de plug-and-play, modelos de difusión y métodos bayesianos. Esta SLR también discute el uso de funciones de pérdida y entrenamiento con redes adversariales para mejorar los métodos de reconstrucción de MRI profunda. Además, exploramos diversas aplicaciones de reconstrucción de MRI, incluyendo reconstrucción no cartesiana, super-resolución, MRI dinámica, aprendizaje conjunto de reconstrucción con sensibilidad de bobina y muestreo, mapeo cuantitativo y huellas dactilares de MR. Este documento también aborda preguntas de investigación, proporciona ideas para futuras direcciones y enfatiza la generalización robusta y el manejo de artefactos. Por lo tanto, esta SLR sirve como un recurso valioso para avanzar en la MRI rápida, guiando los esfuerzos de investigación y desarrollo de la reconstrucción de MRI para una mejor calidad de imagen y una adquisición de datos más rápida.
Descripción
La resonancia magnética (MRI) es una modalidad esencial de imagen médica que proporciona un excelente contraste de tejidos blandos e imágenes de alta resolución del cuerpo humano, lo que nos permite comprender información detallada sobre la morfología, integridad estructural y procesos fisiológicos. Sin embargo, los exámenes de MRI suelen requerir tiempos prolongados de adquisición. Métodos como la MRI paralela y el Muestreo Compresivo (CS) han reducido significativamente el tiempo de adquisición de MRI al adquirir menos datos a través de un submuestreo del espacio k. El estado del arte de la MRI rápida ha sido redefinido recientemente al integrar modelos de Aprendizaje Profundo (DL) con estos enfoques submuestreados. Esta Revisión Sistemática de la Literatura (SLR) analiza de manera integral los modelos de reconstrucción de MRI profunda, enfatizando los elementos clave de los métodos propuestos recientemente y resaltando sus fortalezas y debilidades. Esta SLR implica la búsqueda y selección de estudios relevantes en varias bases de datos, incluyendo Web of Science y Scopus, seguido de un riguroso proceso de selección y extracción de datos utilizando las pautas de Informes Preferidos para Revisiones Sistemáticas y Meta-Análisis (PRISMA). Se enfoca en diversas técnicas, como el aprendizaje residual, la representación de imágenes utilizando codificadores y decodificadores, capas de consistencia de datos, redes desenrolladas, activaciones aprendidas, módulos de atención, priors de plug-and-play, modelos de difusión y métodos bayesianos. Esta SLR también discute el uso de funciones de pérdida y entrenamiento con redes adversariales para mejorar los métodos de reconstrucción de MRI profunda. Además, exploramos diversas aplicaciones de reconstrucción de MRI, incluyendo reconstrucción no cartesiana, super-resolución, MRI dinámica, aprendizaje conjunto de reconstrucción con sensibilidad de bobina y muestreo, mapeo cuantitativo y huellas dactilares de MR. Este documento también aborda preguntas de investigación, proporciona ideas para futuras direcciones y enfatiza la generalización robusta y el manejo de artefactos. Por lo tanto, esta SLR sirve como un recurso valioso para avanzar en la MRI rápida, guiando los esfuerzos de investigación y desarrollo de la reconstrucción de MRI para una mejor calidad de imagen y una adquisición de datos más rápida.