Prospective Deployment of Deep Learning in MRI: A Framework for Important Considerations, Challenges, and Recommendations for Best Practices.
Prospective Deployment of Deep Learning in MRI: A Framework for Important Considerations, Challenges, and Recommendations for Best Practices.
复制标题
DOI：
10.1002/jmri.27331
复制
发表时间：
2021-08
期刊：
影响因子：
--
通讯作者：
Langlotz CP
中科院分区：
文献类型：
--
作者：
Chaudhari AS;Sandino CM;Cole EK;Larson DB;Gold GE;Vasanawala SS;Lungren MP;Hargreaves BA;Langlotz CP
基于深度学习 (DL) 原理的人工智能算法对 MRI 数据的采集、重建和解释产生了巨大影响。尽管有大量使用 DL 的回顾性研究，但 DL 在临床上的常规应用较少。为了解决这一巨大的翻译差距，我们回顾了最近的出版物，以确定 DL 在 MRI 中的三个主要用例，即无模型图像合成、基于模型的图像重建以及图像或像素级分类。对于这三个领域中的每一个领域，我们都提供了一个重要考虑因素的框架，其中包括适当的模型训练范例、模型稳健性评估、下游临床实用性、未来进步的机会以及当前最佳实践的建议。我们从自然成像以及其他医疗保健领域的计算机视觉进步中汲取了该框架的灵感。我们进一步强调通过共享数据集和软件来实现研究的可重复性的必要性。
Artificial intelligence algorithms based on principles of deep learning (DL) have made a large impact on the acquisition, reconstruction, and interpretation of MRI data. Despite the large number of retrospective studies using DL, there are fewer application of DL in the clinic on a routine basis. To address this large translational gap, we review the recent publications to determine three major use cases that DL can have in MRI, namely that of model-free image synthesis, model-based image reconstruction, and image or pixel-level classification. For each of these three areas, we provide a framework for important considerations that consists of appropriate model training paradigms, evaluation of model robustness, downstream clinical utility, opportunities for future advances, as well recommendations for best current practices. We draw inspirations for this framework from advances in computer vision in natural imaging as well as additional healthcare fields. We further emphasize the need for reproducibility of research studies through the sharing of datasets and software.
登录
查看更多内容
影响因子：
3.3
作者：
Chaudhari AS;Fang Z;Kogan F;Wood J;Stevens KJ;Gibbons EK;Lee JH;Gold GE;Hargreaves BA
通讯作者：
Hargreaves BA
DOI：
10.1073/pnas.1907377117
发表时间：
2020-12-01
影响因子：
11.1
作者：
Antun, Vegard;Renna, Francesco;Hansen, Anders C.
通讯作者：
Hansen, Anders C.
影响因子：
4.4
作者：
Chaudhari, Akshay S.;Stevens, Kathryn J.;Hargreaves, Brian A.
通讯作者：
Hargreaves, Brian A.
影响因子：
3.3
作者：
Balleyguier, C;Kinkel, K;Helenon, O
通讯作者：
Helenon, O
影响因子：
5.9
作者：
Eijgenraam, Susanne M.;Chaudhari, Akshay S.;Oei, Edwin H. G.
通讯作者：
Oei, Edwin H. G.