論文の概要: Systematic Review and Meta-analysis of AI-driven MRI Motion Artifact Detection and Correction
- arxiv url: http://arxiv.org/abs/2509.05071v1
- Date: Fri, 05 Sep 2025 13:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-08 14:27:25.591437
- Title: Systematic Review and Meta-analysis of AI-driven MRI Motion Artifact Detection and Correction
- Title（参考訳）: AI駆動型MRIモーションアーティファクト検出と補正のシステムレビューとメタ分析
- Authors: Mojtaba Safari, Zach Eidex, Richard L. J. Qiu, Matthew Goette, Tonghe Wang, Xiaofeng Yang,
- Abstract要約: ディープラーニングアプローチ、特に生成モデルでは、モーションアーティファクトの削減と画質の向上が約束されている。
しかしながら、一般化可能性の制限、ペア化されたトレーニングデータへの依存、視覚歪みのリスクは、標準化されたデータセットとレポートを動機付ける重要な課題である。
- 参考スコア（独自算出の注目度）: 2.904150783490918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: To systematically review and perform a meta-analysis of artificial intelligence (AI)-driven methods for detecting and correcting magnetic resonance imaging (MRI) motion artifacts, assessing current developments, effectiveness, challenges, and future research directions. Methods: A comprehensive systematic review and meta-analysis were conducted, focusing on deep learning (DL) approaches, particularly generative models, for the detection and correction of MRI motion artifacts. Quantitative data were extracted regarding utilized datasets, DL architectures, and performance metrics. Results: DL, particularly generative models, show promise for reducing motion artifacts and improving image quality; however, limited generalizability, reliance on paired training data, and risk of visual distortions remain key challenges that motivate standardized datasets and reporting. Conclusions: AI-driven methods, particularly DL generative models, show significant potential for improving MRI image quality by effectively addressing motion artifacts. However, critical challenges must be addressed, including the need for comprehensive public datasets, standardized reporting protocols for artifact levels, and more advanced, adaptable DL techniques to reduce reliance on extensive paired datasets. Addressing these aspects could substantially enhance MRI diagnostic accuracy, reduce healthcare costs, and improve patient care outcomes.
- Abstract（参考訳）: 背景: 磁気共鳴イメージング(MRI)モーションアーティファクトを検出し、修正するためのAI駆動のメタ分析手法を体系的にレビューし、実行し、現在の発展、有効性、課題、今後の研究方向性を評価する。
方法: 深層学習(DL)アプローチ, 特に生成モデルに着目し, 総合的な体系的レビューとメタアナリシスを行った。
利用データセット、DLアーキテクチャ、パフォーマンスメトリクスに関する定量的データを抽出した。
結果: DL, 特に生成モデルでは, 動作アーチファクトの削減と画質の向上が約束されているが, 一般化可能性の制限, ペア化されたトレーニングデータへの依存, 視覚歪みのリスクは, 標準化されたデータセットやレポートを動機付ける重要な課題である。
結論:AI駆動型手法,特にDL生成モデルでは,動作アーチファクトを効果的に処理することにより,MRI画像の品質向上に有意な可能性を示唆している。
しかし、包括的な公開データセット、アーティファクトレベルの標準化されたレポーティングプロトコル、より高度な適応可能なDL技術など、重要な課題に対処する必要がある。
これらの側面に対処することで、MRIの診断精度を大幅に向上させ、医療費を削減し、患者のケア結果を改善することができる。
関連論文リスト
- DIMA: DIffusing Motion Artifacts for unsupervised correction in brain MRI images [4.117232425638352]
DIMA(DIffusing Motion Artifacts)は、拡散モデルを活用する新しいフレームワークであり、脳MRIにおける教師なしモーションアーティファクトの修正を可能にする。
我々の2段階のアプローチは、まず、障害のない動画像上の拡散モデルを訓練し、運動成果物の分布を学習する。
このモデルは、クリーンな画像上で現実的なモーションアーティファクトを生成し、修正ネットワークの教師付きトレーニングに適したペア化されたデータセットを作成する。
論文 参考訳（メタデータ） (2025-04-09T10:43:38Z) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。
臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。
我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T08:56:10Z) - Less is more: Ensemble Learning for Retinal Disease Recognition Under
Limited Resources [12.119196313470887]
本稿では,限られた資源で網膜疾患を認識できる新しいアンサンブル学習機構を提案する。
このメカニズムは、複数の事前訓練されたモデルからの洞察を活用し、その知識を網膜CT画像に転送し適応させる。
論文 参考訳（メタデータ） (2024-02-15T06:58:25Z) - Diffusion MRI with Machine Learning [4.254099382808598]
脳の拡散強調磁気共鳴イメージング(dMRI)には、ユニークな機能がある。
機械学習は、dMRI分析の難しいタスクのいくつかに取り組むのに非常に適しているかもしれない。
論文 参考訳（メタデータ） (2024-01-01T13:03:35Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。
機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。
本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-02T04:42:08Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。