多智能体强化学习在放射治疗叶片排序中的应用
机器学习
2024-06-05 v1 人工智能
多智能体系统
摘要
在当代放射治疗规划（RTP）中，叶片排序主要由基于优化的方法来解决。本文提出了一种 novel 深度强化学习（DRL）模型，称为增强叶片排序器（Reinforced Leaf Sequencer, RLS），其在多智能体框架中用于叶片排序。 RLS 模型通过大规模训练改进了耗时的迭代优化步骤，可以通过奖励机制的设计来控制运动模式。我们在四个数据集上进行了实验，测试四个指标，并将模型与领先的优化排序器进行比较。我们的发现表明，提出的 RLS 模型可以在优化规划器中实现较低的强度重建误差，并且在集成时具有潜在的更快收敛速度。此外，RLS 在完整的人工智能 RTP 流水线中显示出有前景的成果。我们希望这个首创性的多智能体 RL 叶片排序器能够促进 RTP 领域机器学习研究的未来发展。
引用
@article{arxiv.2406.01853,
title = {Multi-Agent Reinforcement Learning Meets Leaf Sequencing in Radiotherapy},
author = {Riqiang Gao and Florin C. Ghesu and Simon Arberet and Shahab Basiri and Esa Kuusela and Martin Kraus and Dorin Comaniciu and Ali Kamen},
journal= {arXiv preprint arXiv:2406.01853},
year = {2024}
}
备注
Accepted by ICML 2024