MRI Super-Resolution with Deep Learning: A Comprehensive Survey

Супер-разрешение МРТ с использованием глубокого обучения: всесторонний обзор В данной обзорной статье представлен всесторонний обзор последних достижений в области методов супер-разрешения (SR) магнитно-резонансной томографии (МРТ), с особым упором на методы глубокого обучения (DL). В ней подчеркивается важность МРТ с высоким разрешением в клинических и исследовательских условиях и рассматриваются проблемы, связанные с получением таких изображений. В обзоре исследуются подходы на основе DL с различных точек зрения, включая компьютерное зрение, вычислительную визуализацию и физику МРТ. Представлена систематическая таксономия для классификации методов SR для МРТ и обсуждаются теоретические основы, архитектурные проекты, стратегии обучения, эталонные наборы данных и показатели производительности, используемые в этой области. Кроме того, определяются открытые проблемы и будущие направления исследований в области SR для МРТ на основе DL и предоставляется доступ к соответствующим ресурсам с открытым исходным кодом. В обзоре особое внимание уделяется таким достижениям, как vision Transformers и диффузионные модели для супер-разрешения МРТ. Цель состоит в том, чтобы продвинуть технологию, улучшить клиническую диагностику и направить будущие исследования. #ВычислительнаяВизуализация отправить донаты: USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 SOL...