Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/7A180DD9-F903-4802-9312-9EAE0372DF0D | - |
| Αναγνωριστικό | https://doi.org/10.1109/JBHI.2020.2991043 | - |
| Αναγνωριστικό | https://ieeexplore.ieee.org/document/9103969 | - |
| Γλώσσα | en | - |
| Μέγεθος | 21 pages | en |
| Μέγεθος | 3,42 megabytes | en |
| Τίτλος | AI in medical imaging informatics: current challenges and future directions | en |
| Δημιουργός | Panayides Andreas S. | en |
| Δημιουργός | Amini Amir | en |
| Δημιουργός | Filipovic Nenad | en |
| Δημιουργός | Sharma Ashish | en |
| Δημιουργός | Tsaftaris, Sotirios A | en |
| Δημιουργός | Young Alistair | en |
| Δημιουργός | Foran David | en |
| Δημιουργός | Do Nhan | en |
| Δημιουργός | Golemati Spyretta | en |
| Δημιουργός | Kurc Tahsin | en |
| Δημιουργός | Huang Kun | en |
| Δημιουργός | Nikita Konstantina | en |
| Δημιουργός | Veasey Ben P. | en |
| Δημιουργός | Zervakis Michail | en |
| Δημιουργός | Ζερβακης Μιχαηλ | el |
| Δημιουργός | Saltz Joel H. | en |
| Δημιουργός | Pattichis, Constantinos S | en |
| Εκδότης | Institute of Electrical and Electronics Engineers | en |
| Περίληψη | This 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 |
| Τύπος | Peer-Reviewed Journal Publication | en |
| Τύπος | Δημοσίευση σε Περιοδικό με Κριτές | el |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2021-07-14 | - |
| Ημερομηνία Δημοσίευσης | 2020 | - |
| Θεματική Κατηγορία | Medical imaging | en |
| Θεματική Κατηγορία | Image analysis | en |
| Θεματική Κατηγορία | Image classification | en |
| Θεματική Κατηγορία | Image processing | en |
| Θεματική Κατηγορία | Image segmentation | en |
| Θεματική Κατηγορία | Image visualization | en |
| Θεματική Κατηγορία | Integrative analytics | en |
| Θεματική Κατηγορία | Machine learning | en |
| Θεματική Κατηγορία | Deep learning | en |
| Θεματική Κατηγορία | Big data | en |
| Βιβλιογραφική Αναφορά | A. 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.2020.2991043 | en |
Copyright © DIAS 2013
