一种用于动态训练深度强化学习模型并使其适应不同、低算力且持续变化的放射科部署环境的框架
机器学习
2023-06-09 v1
摘要
尽管深度强化学习在医学影像中已被广泛研究，此类模型的训练与部署通常需强大 GPU。由于成像环境演进迅速且可由边缘设备生成，算法需持续学习并适应变化环境，同时适配低算力设备。为此，我们开发了三种图像核心集（coreset）算法，以压缩和去噪医学图像，用于基于选择性经验回放的生命周期强化学习。我们在全身 DIXON 水像与 DIXON 脂像 MRI 上实现了邻域平均核心集、基于邻域敏感度的采样核心集以及最大熵核心集。三种核心集均产生 27 倍压缩，并在定位五种解剖标志（左膝、右转子、左肾、脾脏与肺）方面跨两种成像环境均表现优异。最大熵核心集取得最佳性能，平均距离误差为 ，而常规生命周期学习框架为 。
引用
@article{arxiv.2306.05310,
title = {A framework for dynamically training and adapting deep reinforcement learning models to different, low-compute, and continuously changing radiology deployment environments},
author = {Guangyao Zheng and Shuhao Lai and Vladimir Braverman and Michael A. Jacobs and Vishwa S. Parekh},
journal= {arXiv preprint arXiv:2306.05310},
year = {2023}
}