Explicit and Implicit Representations in AI-based 3D Reconstruction for Radiology: A systematic literature review

要約

臨床診療と診断支援における高品質の医療イメージングの需要により、放射線イメージングにおける3D再構成が重要な研究に焦点を当てています。
人工知能（AI）は、獲得と処理時間を短縮しながら再建の精度を高めるための有望なアプローチとして浮上し、それにより患者の放射線被曝と不快感を最小限に抑え、最終的に臨床診断に利益をもたらしました。
このレビューでは、放射線イメージングにおける最先端のAIベースの3D再構成アルゴリズムを調査し、それらを基礎となる原則に基づいて明示的で暗黙のアプローチに分類します。
明示的な方法には、ポイントベース、ボリュームベース、およびガウス表現が含まれますが、暗黙的な方法には、暗黙の事前埋め込みおよび神経放射輝度が含まれます。
さらに、一般的に使用される評価メトリックとベンチマークデータセットを調べます。
最後に、この進化する分野での現在の開発状況、重要な課題、および将来の研究の方向性について説明します。
当社のプロジェクトは、https：//github.com/bean-young/ai4medで入手できます。

要約(オリジナル)

The demand for high-quality medical imaging in clinical practice and assisted diagnosis has made 3D reconstruction in radiological imaging a key research focus. Artificial intelligence (AI) has emerged as a promising approach to enhancing reconstruction accuracy while reducing acquisition and processing time, thereby minimizing patient radiation exposure and discomfort and ultimately benefiting clinical diagnosis. This review explores state-of-the-art AI-based 3D reconstruction algorithms in radiological imaging, categorizing them into explicit and implicit approaches based on their underlying principles. Explicit methods include point-based, volume-based, and Gaussian representations, while implicit methods encompass implicit prior embedding and neural radiance fields. Additionally, we examine commonly used evaluation metrics and benchmark datasets. Finally, we discuss the current state of development, key challenges, and future research directions in this evolving field. Our project available on: https://github.com/Bean-Young/AI4Med.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google