面向医学影像的多环境终身深度强化学习
机器学习
2023-06-02 v1 计算机视觉与模式识别
图像与视频处理
摘要
深度强化学习(DRL)在医学影像中的应用正受到越来越多的探索。然而,医学影像任务的环境在成像方位、成像序列和病理方面不断演化。为此,我们开发了终身 DRL 框架 SERIL,以在不断变化的成像环境中持续学习新任务而避免灾难性遗忘。SERIL 基于选择性经验回放的终身学习技术,用于在连续二十四个不同成像环境中定位脑 MRI 中的五个解剖标志点。与两种基线设置 MERT(多环境最佳情况)和 SERT(单环境最差情况)相比,SERIL 表现出优异性能:在所有 120 个任务中距目标标志点的平均距离为 像素,而 MERT 为 ,SERT 为 (),展示了在动态变化成像环境中持续学习多任务的卓越潜力。
引用
@article{arxiv.2306.00188,
title = {Multi-environment lifelong deep reinforcement learning for medical imaging},
author = {Guangyao Zheng and Shuhao Lai and Vladimir Braverman and Michael A. Jacobs and Vishwa S. Parekh},
journal= {arXiv preprint arXiv:2306.00188},
year = {2023}
}