생물 의학 자기 공명에 대한 물리 기반 합성 데이터 학습: 인공지능을 위한 이미징 물리 기반 데이터 합성 패러다임

딥 러닝(DL)은 계산 이미징 분야에서 혁신을 주도하고 있습니다. 그 병목 현상 중 하나는 사용할 수 없거나 충분하지 않은 훈련 데이터입니다. 이 기사는 생물 의학 자기 공명(MR)에서 실제 데이터가 거의 또는 전혀 없이 방대한 훈련 데이터를 제공할 수 있는 새로운 패러다임인 이미징 물리 기반 데이터 합성(IPADS)을 검토합니다. MR의 물리 법칙에 따라 IPADS는 미분 방정식이나 분석 솔루션 모델에서 신호를 생성하여 학습을 더욱 확장 가능하고 설명 가능하게 만들며 프라이버시를 보다 잘 보호합니다. 신호 생성 모델, 기본 DL 네트워크 구조, 향상된 데이터 생성 및 학습 방법 등 IPADS 학습의 핵심 구성 요소에 대해 논의합니다. 빠른 이미징, 초고속 신호 재구성 및 정확한 매개변수 정량화 분야에서 대표적인 응용을 통해 IPADS의 높은 잠재력이 입증되었습니다. 마지막으로, 열려 있는 질문과 향후 작업에 대해 논의합니다.