结合强化学习与模仿学习的监督与半监督方法用于器官定位
图像与视频处理
2021-12-08 v1 计算机视觉与模式识别
机器学习
摘要
计算机辅助诊断常需分析放射扫描中感兴趣区域（ROI），该区域可能为器官或亚器官。尽管深度学习算法有能力超越其他方法，但其依赖于大量标注数据的可用性。出于解决该局限的需求，本文提出一种基于监督与半监督学习的多器官定位与检测方法。其借鉴了作者先前在 CT 图像中定位胸腰椎区域的工作。该方法生成六个感兴趣器官的边界框，随后融合为单一边界框。在使用监督与半监督学习（SSL）对 CT 图像中脾脏、左肾和右肾进行定位的实验结果表明，与其他最先进方法相比，该方法能以小得多的数据集和更少的标注应对数据限制。SSL 性能通过使用三种不同比例的标注与未标注数据（即腰椎、脾脏、左肾和右肾分别为 30:70、35:65、40:60）进行评估。结果表明 SSL 提供了一种可行的替代方案，尤其在难以获取标注数据的医学影像中。
引用
@article{arxiv.2112.03276,
title = {Organ localisation using supervised and semi supervised approaches combining reinforcement learning with imitation learning},
author = {Sankaran Iyer and Alan Blair and Laughlin Dawes and Daniel Moses and Christopher White and Arcot Sowmya},
journal= {arXiv preprint arXiv:2112.03276},
year = {2021}
}
备注
16 pages, 12 figures