基于多尺度深度强化学习代理的自动视图规划
计算机视觉与模式识别
2018-06-11 v1
摘要
我们提出一种在全自动方法中寻找 3D 图像采集中标化视图平面的方法。标准视图图像在临床实践中十分重要，因为它们提供了从相似解剖区域进行生物测量手段。这些视图常受限于 3D 图像采集的固有方位。在目标解剖结构中导航以寻找所需视图平面是繁琐且依赖操作者的。对此任务，我们采用多尺度强化学习（RL）代理框架，并广泛评估若干基于 Deep Q-Network（DQN）的策略。RL 通过与环境交互提供了自然的学习范式，可用于模拟有经验的操作者。我们使用解剖标志点与检测平面之间的距离，以及它们法向量与目标间夹角来评估我们的结果。所提算法在脑 MRI 的中矢状面和前后连合平面，以及心脏 MRI 中常用的四腔长轴平面上进行了评估，分别达到 1.53mm、1.98mm 和 4.84mm 的精度。
引用
@article{arxiv.1806.03228,
title = {Automatic View Planning with Multi-scale Deep Reinforcement Learning Agents},
author = {Amir Alansary and Loic Le Folgoc and Ghislain Vaillant and Ozan Oktay and Yuanwei Li and Wenjia Bai and Jonathan Passerat-Palmbach and Ricardo Guerrero and Konstantinos Kamnitsas and Benjamin Hou and Steven McDonagh and Ben Glocker and Bernhard Kainz and Daniel Rueckert},
journal= {arXiv preprint arXiv:1806.03228},
year = {2018}
}
备注
Accepted for MICCAI2018