Pemanfaatan Kecerdasan Buatan (AI) Pada MRI

Authors

  • Nur Wahyu Tajuddin Poltekkes Kemenkes Semarang
  • Yossi Wisnu Wardhana Instalasi Radiologi, SMC RS Telogorejo
  • Rini Indrati Poltekkes Kemenkes Semarang

DOI:

https://doi.org/10.55314/jsp.v4i6.814

Keywords:

MRI (Magnetic Resonance Imaging), Artificial Intelligence (AI), Deep Learning

Abstract

Pemrosesan gambar medis yang cepat dan akurat adalah tujuan utama dalam bidang pencitraan medis. MRI (Magnetic Resonance Imaging) merupakan teknologi penting dalam mendiagnosis penyakit dan kondisi medis. Namun, waktu yang dibutuhkan untuk menghasilkan gambar MRI yang berkualitas tinggi seringkali menjadi hambatan dalam praktik klinis. Oleh karena itu, untuk meningkatkan kecepatan MRI dapat dilakukan dengan menggunakan kecerdasan buatan (AI). Metode yang digunakan adalah kajian literatur review tentang pengembangan model deep learning yang dapat mempercepat proses akuisisi gambar MRI tanpa mengorbankan kualitas gambar. Hasil kajian ilmiah menunjukkan bahwa penggunaan kecerdasan buatan dalam proses akuisisi MRI dapat mengurangi waktu yang dibutuhkan hingga 50% tanpa mengorbankan kualitas gambar. Hal ini dapat mempercepat diagnosis dan perawatan pasien dalam praktik klinis. Penggunaan kecerdasan buatan dapat signifikan meningkatkan kecepatan proses akuisisi MRI, memungkinkan diagnosis yang lebih cepat dan efisien dalam praktik klinis, dengan potensi untuk mengubah paradigma pencitraan medis di masa depan.

References

Hoinkiss DC, Huber J, Plump C, Lüth C, Drechsler R, Günther M. AI-driven and automated MRI sequence optimization in scanner-independent MRI sequences formulated by a domain-specific language. Front Neuroimaging. 2023;2:1090054. doi:10.3389/fnimg.2023.1090054

Lin DJ, Johnson PM, Knoll F, Lui YW. Artificial Intelligence for MR Image Reconstruction: An Overview for Clinicians. J Magn Reson Imaging. 2021;53(4):1015-1028. doi:10.1002/jmri.27078

Shimron E, Perlman O. AI in MRI: Computational Frameworks for a Faster, Optimized, and Automated Imaging Workflow. Bioengineering. 2023;10(4):1-9. doi:10.3390/bioengineering10040492

Choi KS, Sunwoo L. Artificial Intelligence in Neuroimaging: Clinical Applications. Investig Magn Reson Imaging. 2022;26(1):1. doi:10.13104/imri.2022.26.1.1

Chen Y, Schonlieb CB, Lio P, et al. AI-Based Reconstruction for Fast MRI-A Systematic Review and Meta-Analysis. Proc IEEE. 2022;110(2):224-245. doi:10.1109/JPROC.2022.3141367

Twilt JJ, van Leeuwen KG, Huisman HJ, Fütterer JJ, de Rooij M. Artificial intelligence based algorithms for prostate cancer classification and detection on magnetic resonance imaging: A narrative review. Diagnostics. 2021;11(6):1-26. doi:10.3390/diagnostics11060959

Johnson PM, Recht MP, Knoll F. Improving the Speed of MRI with Artificial Intelligence. Semin Musculoskelet Radiol. 2020;24(1):12-20. doi:10.1055/s-0039-3400265

Liang N. MRI Image Reconstruction Based on Artificial Intelligence. J Phys Conf Ser. 2021;1852(2). doi:10.1088/1742-6596/1852/2/022077

Agarwal S. A Review on the use of Artificial Intelligence Techniques in Brain MRI Analysis. J Informatics Electr Electron Eng. 2021;2(2):1-15. doi:10.54060/jieee/002.02.010

Cui Y, Zhu J, Duan Z, Liao Z, Wang S, Liu W. Artificial Intelligence in Spinal Imaging: Current Status and Future Directions. Int J Environ Res Public Health. 2022;19(18):1-8. doi:10.3390/ijerph191811708

Aggarwal HK, Mani MP, Jacob M, Member S. MoDL : Model Based Deep Learning Architecture for Inverse Problems. IEEE Trans Med Imaging. 2018;PP(c):1. doi:10.1109/TMI.2018.2865356

Segato A, Marzullo A, Calimeri F, De Momi E. Artificial intelligence for brain diseases: A systematic review. APL Bioeng. 2020;4(4). doi:10.1063/5.0011697

Busch H Von, Ph D. Artificial Intelligence for MRI. 2019;(74):94-97.

Published

2024-09-05