Boundary-RL：用于TRUS图像中弱监督前列腺分割的强化学习
计算机视觉与模式识别
2023-08-23 v1
摘要
我们提出Boundary-RL，一种仅利用块级标签进行训练的弱监督分割新方法。我们将分割视为边界检测问题，而非如先前工作那样的像素级分类。这种分割视角可在具有挑战性的场景下实现边界描绘，例如感兴趣区域（ROI）边界内可能存在噪声伪影的情况，而传统的基于像素级分类的弱监督方法可能无法有效分割ROI。特别令人关注的是超声图像，其中强度值表示边界之间的声阻抗差异，也可能受益于边界描绘方法。我们的方法使用强化学习来训练一个控制器函数，以利用从预训练边界存在分类器导出的奖励来定位ROI的边界。当控制器在顺序马尔可夫决策过程中修改块位置时，分类器指示在块内何时遇到对象边界。分类器本身仅使用对象存在的二值块级标签进行训练，这些标签是整个边界描绘框架训练期间使用的唯一标签，并作为告知边界描绘的弱信号。控制器函数的使用确保无需在整个图像上滑动窗口。它还通过最小化传递给边界存在分类器的块数量来防止可能的假阳性或假阴性情况。我们针对经直肠超声图像上临床相关的前列腺 gland 分割任务评估了所提方法。在使用相同标签（例如多示例学习）的情况下，我们显示出优于其他被测弱监督方法的性能。
引用
@article{arxiv.2308.11376,
title = {Boundary-RL: Reinforcement Learning for Weakly-Supervised Prostate Segmentation in TRUS Images},
author = {Weixi Yi and Vasilis Stavrinides and Zachary M. C. Baum and Qianye Yang and Dean C. Barratt and Matthew J. Clarkson and Yipeng Hu and Shaheer U. Saeed},
journal= {arXiv preprint arXiv:2308.11376},
year = {2023}
}
备注
Accepted to MICCAI Workshop MLMI 2023 (14th International Conference on Machine Learning in Medical Imaging)