利用不同类型标注进行小肠路径跟踪的深度强化学习
图像与视频处理
2022-07-01 v1 计算机视觉与模式识别
摘要
小肠路径跟踪因其沿程诸多折叠与接触而具挑战性。出于同样原因，在 3D 中获取小肠的真实（GT）路径代价极高。本工作中，我们提出利用具有不同类型标注的数据集来训练深度强化学习跟踪器。具体而言，我们同时使用仅含 GT 小肠分割的 CT 扫描，以及含 GT 路径的 CT 扫描。这是通过设计一个对两者均兼容的独特环境实现的，包括即便无 GT 路径亦可定义的奖励。所开展的实验证明了所提方法的有效性。所提方法因能利用弱标注扫描，并由此可能降低所需标注成本，在该问题中具备高度可用性。
引用
@article{arxiv.2206.14847,
title = {Deep Reinforcement Learning for Small Bowel Path Tracking using Different Types of Annotations},
author = {Seung Yeon Shin and Ronald M. Summers},
journal= {arXiv preprint arXiv:2206.14847},
year = {2022}
}
备注
Accepted to MICCAI 2022