Pemanfaatan Kecerdasan Buatan (AI) Pada MRI
DOI:
https://doi.org/10.55314/jsp.v4i6.814Keywords:
MRI (Magnetic Resonance Imaging), Artificial Intelligence (AI), Deep LearningAbstract
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
Issue
Section
Copyright (c) 2024 Nur Wahyu Tajuddin, Yossi Wisnu Wardhana, Rini Indrati
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
