基于多智能体强化学习的迭代精炼交互式三维医学图像分割
计算机视觉与模式识别
2019-11-26 v1
摘要
现有自动三维图像分割方法通常难以满足临床使用。许多研究探索了通过迭代融入用户提示来改善图像分割性能的交互式策略。然而，连续交互的动态过程在很大程度上被忽视。本文提出将迭代交互图像分割的动态过程建模为马尔可夫决策过程（MDP）并用强化学习（RL）求解。遗憾的是，由于探索空间过大，使用单智能体 RL 进行体素级预测难以实现。为将探索空间缩减至可处理规模，我们将每个体素视为具有共享体素级行为策略的智能体，从而可用多智能体强化学习求解。该多智能体模型的额外优势在于能捕捉体素间对分割任务的依赖关系。同时，为丰富先前分割的信息，我们在 MDP 状态空间中保留预测不确定性，并导出调整动作空间以获得更精确更细致的分割。此外，为提高探索效率，我们设计了基于相对交叉熵增益的奖励，以受限方向更新策略。在多个医学数据集上的实验结果表明，我们的方法显著优于现有 SOTA 方法，且具有更少交互次数与更快收敛速度的优势。
引用
@article{arxiv.1911.10334,
title = {Iteratively-Refined Interactive 3D Medical Image Segmentation with Multi-Agent Reinforcement Learning},
author = {Xuan Liao and Wenhao Li and Qisen Xu and Xiangfeng Wang and Bo Jin and Xiaoyun Zhang and Ya Zhang and Yanfeng Wang},
journal= {arXiv preprint arXiv:1911.10334},
year = {2019}
}
备注
9 pages, 6 figures