通过强化任务适配数据选择学习图像质量评估
机器学习
2021-02-16 v1 计算机视觉与模式识别
摘要
在本文中,我们将一类图像质量评估视为任务特定的度量,可用于选择更适于给定目标任务(如图像分类或分割)的图像。我们提出使用强化学习同时训练用于图像选择和目标任务的两个神经网络。控制器网络通过最大化基于目标任务在控制器所选验证集上性能的累积奖励来学习图像选择策略,而目标任务预测器使用训练集进行优化。因此,训练后的控制器能够拒绝那些导致目标任务精度差的图像。在本工作中,我们表明控制器预测的图像质量可能与人类手动定义的任务特定图像质量标签显著不同。此外,我们证明可以在不使用“干净”验证集的情况下学习有效的图像质量评估,从而避免了针对任务适配性进行图像人工标注的需求。使用来自259名患者的6712张带标签和分割的临床超声图像,在留出数据上的实验结果表明,所提出的图像质量评估通过分别丢弃5%和15%的采集图像,实现了0.94±0.01的平均分类准确率和0.89±0.02的平均分割Dice系数;相较于未考虑任务适配性的网络各自的0.90±0.01和0.82±0.02,两项测试任务均观察到显著性能提升。这使得在许多其他医学成像应用中能够实现实时超声采集期间的图像质量反馈。
引用
@article{arxiv.2102.07615,
title = {Learning image quality assessment by reinforcing task amenable data selection},
author = {Shaheer U. Saeed and Yunguan Fu and Zachary M. C. Baum and Qianye Yang and Mirabela Rusu and Richard E. Fan and Geoffrey A. Sonn and Dean C. Barratt and Yipeng Hu},
journal= {arXiv preprint arXiv:2102.07615},
year = {2021}
}
备注
Accepted at IPMI 2021 (The 27th international conference on Information Processing in Medical Imaging)