Объект исследования – Магнитно-резонансная томография (МРТ) является одним из ведущих методов медицинской визуализации, позволяющим получать высококачественные изображения внутренних органов и тканей. Цель работы – Исследование посвящено обзору методов глубокого обучения для обработки МРТ-изображений. В работе предлагается краткое введение в глубокое обучение с указанием основных источников, а также демонстрируется, как эти методы используются на всех этапах обработки МРТ-изображений: от получения изображений и их поиска до сегментации и предсказания болезней. Кроме того, предоставляется отправная точка для людей, заинтересованных в экспериментировании и возможном внесении вклада в область машинного обучения для медицинской визуализации. Указаны хорошие образовательные ресурсы, передовой открытый код, а также интересные источники данных и проблемы, связанные с медицинской визуализацией. Использовались открытые образовательные ресурсы и программы поиска и анализа информации. Применено программное обеспечение MATLAB и автоматизированные инструменты для разработки алгоритмов глубокого обучения.

Object of study is Magnetic resonance imaging (MRI) which is one of the leading medical imaging methods, providing high-quality images of internal organs and tissues. The aim of this research is to review the application of deep learning methods for the processing of MRI images. The work offers a brief introduction to deep learning with references to key sources, and demonstrates how these methods are used at all stages of MRI image processing: from image acquisition and retrieval to segmentation and disease prediction. Additionally, it provides a starting point for individuals interested in experimenting and potentially contributing to the field of machine learning for medical imaging. Good educational resources, advanced open-source code, as well as interesting data sources and challenges related to medical imaging are indicated.  Open educational resources and information search and analysis programs were used. MATLAB software and automated tools for developing deep learning algorithms were applied.