Synthèse basée sur l'apprentissage profond des IRM, CT et TEP : Revue et analyse

La synthèse d'images médicales représente un domaine de recherche critique dans la prise de décision clinique, visant à surmonter les défis associés à l'acquisition de multiples modalités d'images pour un flux de travail clinique précis. Cette approche s'avère bénéfique pour estimer une image d'une modalité souhaitée à partir d'une modalité source donnée parmi les contrastes d'imagerie médicale les plus courants, tels que la Tomodensitométrie (CT), l'Imagerie par Résonance Magnétique (IRM) et la Tomographie par Émission de Positons (TEP). Cependant, la traduction entre deux modalités d'images présente des difficultés en raison des cartographies de domaine complexes et non linéaires. La modélisation générative basée sur l'apprentissage profond a montré des performances supérieures dans les applications de contraste d'image synthétique par rapport aux méthodes de synthèse d'images conventionnelles. Cette enquête passe en revue de manière exhaustive la traduction d'images médicales basée sur l'apprentissage profond de 2018 à 2023 sur les pseudo-CT, l'IRM synthétique et le TEP synthétique. Nous fournissons un aperçu des contrastes synthétiques en imagerie médicale et des réseaux d'apprentissage profond les plus fréquemment employés pour la synthèse d'images médicales. De plus, nous réalisons une analyse détaillée de chaque méthode de synthèse, en nous concentrant sur leurs conceptions de modèle diversifiées en fonction des domaines d'entrée et des architectures de réseau. Nous analysons également des architectures de réseau novatrices, allant des CNN conventionnels aux récents modèles Transformer et Diffusion. Cette analyse comprend la comparaison des fonctions de perte, des ensembles de données disponibles et des régions anatomiques, ainsi que des évaluations de qualité d'image et de performances dans d'autres tâches en aval. Enfin, nous discutons des défis et identifions des solutions dans la littérature, suggérant d'éventuelles directions futures. Nous espérons que les perspectives offertes dans cet article de sondage serviront de feuille de route précieuse pour les chercheurs dans le domaine de la synthèse d'images médicales.