一种用于全切片病理图像快速诊断的深度强化学习框架
图像与视频处理
2022-05-09 v1 人工智能
计算机视觉与模式识别
摘要
深度神经网络是组织病理学图像分析的研究热点，可提升病理医生的诊断效率与准确性，或用于疾病筛查。全切片病理图像可达十亿像素并包含丰富组织特征信息，在训练与推理阶段需划分为大量图块，这将导致较长收敛时间与较大内存消耗。此外，数字病理学领域标注良好的数据集也供不应求。受病理医生临床诊断过程启发，我们提出一种弱监督深度强化学习框架，可大幅减少网络推理所需时间。我们分别使用神经网络构建强化学习智能体的搜索模型与决策模型。搜索模型通过当前视野中不同放大倍率的图像特征预测下一步动作，决策模型用于返回当前视野图像的预测概率。此外，通过多实例学习构建专家引导模型，不仅为搜索模型提供奖励，也通过知识蒸馏方法引导决策模型学习。实验结果表明，我们提出的方法可在无任何像素级标注的情况下实现全切片图像的快速推理与准确预测。
引用
@article{arxiv.2205.02850,
title = {A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole Slide Pathological Images},
author = {Tingting Zheng and Weixing chen and Shuqin Li and Hao Quan and Qun Bai and Tianhang Nan and Song Zheng and Xinghua Gao and Yue Zhao and Xiaoyu Cui},
journal= {arXiv preprint arXiv:2205.02850},
year = {2022}
}