Earticle

초록

영어

Magnetic resonance imaging (MRI) plays a central role in the diagnosis, characterization, and monitoring of neurological disorders. In recent years, artificial intelligence (AI)—particularly deep learning (DL)—has transformed brain MRI analysis by enabling automated segmentation, classification, prognostication, and decision support. This review synthesizes ten representative and influential studies, including recent work in deep learning for brain tumor analysis, automated tumor diagnosis models, and AI-assisted acute stroke imaging. We systematically examine methodological frameworks (CNNs, 3D architectures, foundation models), clinical applications (tumor grading, molecular prediction, stroke triage), benchmarking datasets (BraTS and others), performance validation, interpretability, regulatory challenges, and translational barriers. We also discuss emerging paradigms such as multimodal fusion, federated learning, and foundation models. AI-driven MRI analysis demonstrates transformative potential, but its integration into routine neuroimaging requires rigorous validation, interpretability assurance, workflow harmonization, and ethical governance.

한국어

자기공명영상(MRI)은 신경계 질환의 진단, 특성 분석 및 경과 관찰에 있어 핵심적인 역할을 합니다. 최근 인공지능(AI), 특히 딥러닝(DL) 기술은 자동 분할(segmentation), 분류, 예후 예측 및 의사결정 지원을 가능하게 함으로써 뇌 MRI 분석 분야에 혁신적인 변화를 가져왔습니다. 본 종설 논문은 뇌종양 분석, 자동 종양 진단 모델, AI 보조 급성 뇌졸중 영상 분석 등 딥러닝을 활용한 최근의 대표적이고 영향력 있는 연구 10건을 종합적으로 다룹니다. 또한 방법론적 프레임워크(CNN, 3D 아키텍처, 파운데이션 모델), 임상적 적용(종양 등급 분류, 분자적 특성 예측, 뇌졸중 환자 분류), 벤치마크 데이터셋(BraTS 등), 성능 검증, 해석 가능성, 규제 관련 과제 및 임상 도입의 장벽 등을 체계적으로 검토합니다. 아울러 멀티모달 융합, 연합 학습(federated learning), 파운데이션 모델과 같은 새로운 패러다임에 대해서도 논의합니다. AI 기반 MRI 분석은 혁신적인 잠재력을 보여주고 있으나, 이를 일상적인 신경 영상 진료에 통합하기 위해서는 엄격한 검증, 해석 가능성 확보, 워크플로 조화 및 윤리적 거버넌스 확립이 필수적입니다

목차

Abstract
Ⅰ. Introduction
1. Clinical Importance of Brain MRI
2. Emergence of AI in Neuroimaging
Ⅱ. Evolution of AI in Brain MRI
1. Radiomics Era
2. Deep Learning Revolution
Ⅲ. Core Deep Learning Architectures in Brain MRI
1. Convolutional Neural Networks (CNNs)
2. U-Net and Segmentation Frameworks
3. Transformer-Based Models and Foundation Models
Ⅳ. Public Datasets and Benchmarking
1. BraTS Challenge
2. Dataset Variability Challenges
Ⅴ. AI in Brain Tumor Diagnosis
1. Automated Tumor Segmentation
2. Tumor Classification and Grading
3. Survival Prediction and Prognostication
Ⅵ. AI in Acute Stroke MRI and CT
Ⅶ. Multimodal and Integrated AI Systems
1. Multimodal MRI Integration
2. Radiogenomics
Ⅷ. Clinical Translation Challenges
1. External Validation
2. Interpretability
3. Regulatory and Ethical Considerations
Ⅸ. Emerging Trends
1. Foundation Models
2. Self-Supervised Learning
3. Federated Learning
Ⅹ. Comparative Synthesis of theTen Reviewed Papers
ⅩI. Discussion
ⅩII. Future Perspectives
ⅩIII. Conclusion
References
요약

키워드

저자

• Yeun-Hwa Gu [ 구연화 | Department of Radiological Science, Faculty of Health Science, Junshin Gakuen University, Fukuoka, Japan ] Corresponding Author
• Takeshi Takaki [ Department of Radiological Science, Faculty of Health Science, Junshin Gakuen University, Fukuoka, Japan ]
• Hong-Moon, Jung [ 정홍문 | Department of Radiology, Dae-Gu Health College, Daegu, South Korea ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  대한디지털의료영상학회논문지 [Korean Journal of Digital Imaging in Medicine]

• 간기

  연3회

• pISSN

  1976-7641

• 수록기간

  1995~2026

• 십진분류

  KDC 510 DDC 610