用于黏弹性成像的多模型参数全局优化器深度Q学习
机器学习
2022-04-06 v1
摘要
目的：在成像中估计多个模型参数的全局最优值对于形成可靠的诊断图像具有重要价值。鉴于目标函数的非凸性，避免陷入不同局部极小值是具有挑战性的。方法：我们首先将多参数的全局搜索表述为参数空间中的k维移动，并将参数更新转化为状态-动作决策问题。我们提出了一种新颖的模型参数深度Q学习（DQMP）方法，用于模型参数的全局优化，其通过最大化Q值的动作来更新参数配置，该方法采用深度奖励网络，旨在从可见的曲线拟合误差和隐藏的参数误差中学习全局奖励值。结果：DQMP方法通过Kelvin-Voigt分数阶导数（KVFD）建模在软物质的黏弹性成像上进行了评估。与其他方法相比，DQMP的参数成像相对于真实图像产生的误差最小（< 2%）。DQMP应用于生物组织的黏弹性成像，表明其在诊断应用中对物理参数成像的巨大潜力。结论：DQMP方法能够实现全局最优，在黏弹性成像中产生准确的模型参数估计。通过仿真成像和超声乳腺成像对DQMP的评估证明了成像参数的一致性、可靠性，以及DQMP强大的全局搜索能力。意义：DQMP方法在多参数成像方面具有前景，并可推广到许多其他复杂非凸函数的全局优化及物理参数成像。
引用
@article{arxiv.2204.01844,
title = {Deep Q-learning of global optimizer of multiply model parameters for viscoelastic imaging},
author = {Hongmei Zhang and Kai Wang and Yan Zhou and Shadab Momin and Xiaofeng Yang and Mostafa Fatemi and Michael F. Insana},
journal= {arXiv preprint arXiv:2204.01844},
year = {2022}
}