ترجمه فارسی مقاله PINN ها برای تجزیه و تحلیل تصاویر پزشکی: یک بررسی

چکیده

The incorporation of physical information in machine learning frameworks is transforming medical image analysis (MIA). By integrating fundamental knowledge and governing physical laws, these models achieve enhanced robustness and interpretability. In this work, we explore the utility of physics-informed approaches for MIA (PIMIA) tasks such as registration, generation, classification, and reconstruction. We present a systematic literature review of over 80 papers on physics-informed methods dedicated to MIA. We propose a unified taxonomy to investigate what physics knowledge and processes are modelled, how they are represented, and the strategies to incorporate them into MIA models. We delve deep into a wide range of image analysis tasks, from imaging, generation, prediction, inverse imaging (super-resolution and reconstruction), registration, and image analysis (segmentation and classification). For each task, we thoroughly examine and present in a tabular format the central physics-guided operation, the region of interest (with respect to human anatomy), the corresponding imaging modality, the dataset used for model training, the deep network architecture employed, and the primary physical process, equation, or principle utilized. Additionally, we also introduce a novel metric to compare the performance of PIMIA methods across different tasks and datasets. Based on this review, we summarize and distil our perspectives on the challenges, open research questions, and directions for future research. We highlight key open challenges in PIMIA, including selecting suitable physics priors and establishing a standardized benchmarking platform.

چکیده به فارسی (ترجمه ماشینی)

ترکیب اطلاعات فیزیکی در چارچوب های یادگیری ماشین ، تجزیه و تحلیل تصویر پزشکی (MIA) است.این مدلها با ادغام دانش اساسی و حاکم بر قوانین فیزیکی ، به استحکام و تفسیر افزایش یافته می رسند.در این کار ، ما به بررسی کاربرد رویکردهای آگاهانه فیزیک برای وظایف MIA (PIMIA) مانند ثبت نام ، تولید ، طبقه بندی و بازسازی می پردازیم.ما یک بررسی ادبیات منظم از بیش از 80 مقاله در مورد روشهای آگاه از فیزیک اختصاص داده شده به MIA ارائه می دهیم.ما یک طبقه بندی یکپارچه را پیشنهاد می کنیم تا بررسی کنیم که دانش و فرآیندهای فیزیک ، نحوه نمایش آنها و استراتژی های ادغام آنها در مدل های MIA چیست.ما در اعماق طیف گسترده ای از وظایف تجزیه و تحلیل تصویر ، از تصویربرداری ، تولید ، پیش بینی ، تصویربرداری معکوس (فوق العاده وضوح و بازسازی) ، ثبت نام و تجزیه و تحلیل تصویر (تقسیم بندی و طبقه بندی) می پردازیم.برای هر کار ، ما عملکرد اصلی فیزیک هدایت شده ، منطقه مورد علاقه (با توجه به آناتومی انسان) ، روش تصویربرداری مربوطه ، مجموعه داده های مورد استفاده برای آموزش مدل ، معماری عمیق شبکه استفاده شده ، کاملاً بررسی و ارائه می دهیم.و فرایند فیزیکی اولیه ، معادله یا اصل مورد استفاده.علاوه بر این ، ما همچنین یک متریک جدید برای مقایسه عملکرد روشهای PIMIA در کارهای مختلف و مجموعه داده ها معرفی می کنیم.بر اساس این بررسی ، ما دیدگاه های خود را در مورد چالش ها ، سؤالات تحقیق باز و مسیرهای تحقیقات آینده خلاصه و تقسیم می کنیم.ما چالش های باز کلیدی را در PIMIA برجسته می کنیم ، از جمله انتخاب مقدمات فیزیک مناسب و ایجاد یک سکوی معیار استاندارد.