基于任务适切性元强化学习的自适应图像质量评估
计算机视觉与模式识别
2021-08-11 v1 机器学习
摘要
许多医学图像分析任务的性能与图像数据质量密切相关。在开发现代深度学习算法时，任务适切性有望提供一种任务特定图像质量的客观度量，而非依赖主观的（基于人的）图像质量评估（IQA）。为了预测任务适切性，使用强化学习（RL）训练一个 IQA 智能体，并同时优化一个任务预测器，例如分类或分割神经网络。在本工作中，我们开发了迁移学习或自适应策略，以提高 IQA 智能体和任务预测器的自适应能力，使其减少对高质量、专家标注训练数据的依赖。所提出的迁移学习策略将任务适切性的原始 RL 问题重新表述为元强化学习框架。由此产生的算法促进了智能体向不同图像质量定义的高效自适应，每种定义都有其自身的马尔可夫决策过程环境，包括不同的图像、标签和可适应的任务预测器。我们的工作表明，在非专家任务标签上预训练的 IQA 智能体，仅需少量专家标签即可被自适应以预测由专家任务标签定义的任务适切性。使用来自 249 名前列腺癌患者的 6644 张临床超声图像，我们在图像分类和分割任务上的结果表明，所提出的 IQA 方法可以分别使用低至 19.7% 和 29.6% 专家审查共识标签的数据进行自适应，并仍能实现可比的 IQA 和任务性能，而通常这需要具有 100% 专家标签的训练数据集。
引用
@article{arxiv.2108.04359,
title = {Adaptable image quality assessment using meta-reinforcement learning of task amenability},
author = {Shaheer U. Saeed and Yunguan Fu and Vasilis Stavrinides and Zachary M. C. Baum and Qianye Yang and Mirabela Rusu and Richard E. Fan and Geoffrey A. Sonn and J. Alison Noble and Dean C. Barratt and Yipeng Hu},
journal= {arXiv preprint arXiv:2108.04359},
year = {2021}
}
备注
Accepted at ASMUS 2021 (The 2nd International Workshop of Advances in Simplifying Medical UltraSound)