Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

AI in medical imaging informatics: current challenges and future directions

Panayides Andreas S., Amini Amir, Filipovic Nenad, Sharma Ashish, Tsaftaris, Sotirios A, Young Alistair, Foran David, Do Nhan, Golemati Spyretta, Kurc Tahsin, Huang Kun, Nikita Konstantina, Veasey Ben P., Zervakis Michail, Saltz Joel H. , Pattichis, Constantinos S

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/7A180DD9-F903-4802-9312-9EAE0372DF0D-
Αναγνωριστικόhttps://doi.org/10.1109/JBHI.2020.2991043-
Αναγνωριστικόhttps://ieeexplore.ieee.org/document/9103969-
Γλώσσαen-
Μέγεθος21 pagesen
Μέγεθος3,42 megabytesen
ΤίτλοςAI in medical imaging informatics: current challenges and future directionsen
ΔημιουργόςPanayides Andreas S.en
ΔημιουργόςAmini Amiren
Δημιουργός Filipovic Nenaden
ΔημιουργόςSharma Ashishen
ΔημιουργόςTsaftaris, Sotirios Aen
ΔημιουργόςYoung Alistairen
ΔημιουργόςForan Daviden
ΔημιουργόςDo Nhanen
ΔημιουργόςGolemati Spyrettaen
ΔημιουργόςKurc Tahsinen
ΔημιουργόςHuang Kunen
ΔημιουργόςNikita Konstantinaen
ΔημιουργόςVeasey Ben P.en
ΔημιουργόςZervakis Michailen
ΔημιουργόςΖερβακης Μιχαηλel
ΔημιουργόςSaltz Joel H. en
ΔημιουργόςPattichis, Constantinos Sen
ΕκδότηςInstitute of Electrical and Electronics Engineersen
ΠερίληψηThis paper reviews state-of-the-art research solutions across the spectrum of medical imaging informatics, discusses clinical translation, and provides future directions for advancing clinical practice. More specifically, it summarizes advances in medical imaging acquisition technologies for different modalities, highlighting the necessity for efficient medical data management strategies in the context of AI in big healthcare data analytics. It then provides a synopsis of contemporary and emerging algorithmic methods for disease classification and organ/ tissue segmentation, focusing on AI and deep learning architectures that have already become the de facto approach. The clinical benefits of in-silico modelling advances linked with evolving 3D reconstruction and visualization applications are further documented. Concluding, integrative analytics approaches driven by associate research branches highlighted in this study promise to revolutionize imaging informatics as known today across the healthcare continuum for both radiology and digital pathology applications. The latter, is projected to enable informed, more accurate diagnosis, timely prognosis, and effective treatment planning, underpinning precision medicine.en
ΤύποςPeer-Reviewed Journal Publicationen
ΤύποςΔημοσίευση σε Περιοδικό με Κριτέςel
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2021-07-14-
Ημερομηνία Δημοσίευσης2020-
Θεματική ΚατηγορίαMedical imagingen
Θεματική ΚατηγορίαImage analysisen
Θεματική ΚατηγορίαImage classificationen
Θεματική ΚατηγορίαImage processingen
Θεματική ΚατηγορίαImage segmentationen
Θεματική ΚατηγορίαImage visualizationen
Θεματική ΚατηγορίαIntegrative analyticsen
Θεματική ΚατηγορίαMachine learningen
Θεματική ΚατηγορίαDeep learningen
Θεματική ΚατηγορίαBig dataen
Βιβλιογραφική ΑναφοράA. S. Panayides, A. Amini, N. D. Filipovic, A. Sharma, S. A. Tsaftaris, A. Young, D. Foran, N. Do, S. Golemati, T. Kurc, K. Huang, K. S. Nikita, B. P. Veasey, M. Zervakis, J. H. Saltz, and C. S. Pattichis, “AI in medical imaging informatics: current challenges and future directions,” IEEE J. Biomed. Health Inform., vol. 24, no. 7, pp. 1837–1857, Jul. 2020. doi: 10.1109/JBHI.2020.2991043en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά