质子磁共振波谱工作流程中的机器学习应用综述
摘要：机器学习在质子磁共振谱(MRS)中的应用综述 MRS领域中的机器学习(ML)应用越来越多，本文综述旨在为MRS社区提供现有方法的结构化综述。具体而言，我们研究并总结了2017年至2023年间在主要磁共振领域期刊上发表的研究。我们将这些研究按照典型的MRS工作流程进行分类，包括数据采集、处理、分析和人工数据生成。我们的综述揭示了ML在MRS中仍处于早期阶段，主要关注处理和分析技术，而对数据采集关注较少。我们还发现很多研究使用相似的模型架构，很少与其他架构进行比较。此外，人工数据的生成是一个重要的课题，目前还没有一致的生成方法。此外，许多研究表明，在体数据上测试时，人工数据存在泛化问题。我们还得出结论，应该解决与ML模型相关的风险，尤其是在临床应用中。因此，输出不确定性测量和模型偏差的研究至关重要。尽管如此，ML在MRS中的迅速发展和综述研究的有希望的结果，证明了该领域还有进一步的研究价值。
作者：Dennis M. J. van de Sande, Julian P. Merkofer, Sina Amirrajab, Mitko Veta, Ruud J. G. van Sloun, Maarten J. Versluis, Jacobus F. A. Jansen, Johan S. van den Brink, Marcel Breeuwer
论文ID：2305.09621
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-05-17