基于强化学习的腹部 CT 急性阑尾炎自动诊断
图像与视频处理
2019-09-04 v1 计算机视觉与模式识别
机器学习
摘要
急性阑尾炎以阑尾的疼痛性炎症为特征，是最常见的外科急症之一。由于常规 CT 视图中阑尾在复杂结肠结构中的解剖位置不清，定位阑尾具有挑战性，导致诊断耗时。端到端训练的卷积神经网络（CNN）也不太可能有用，因为与腹部 CT 体积相比阑尾尺寸可忽略。据我们所知此前无计算方面的先例，我们提出了首个用于急性阑尾炎诊断的计算机自动化方法。在我们的方法中，我们利用部署在下腹区域的强化学习智能体首先获取阑尾位置，以缩小诊断的搜索空间。然后，我们使用每个体积仅在小阑尾块上训练的 CNN，对定位位置周围局部邻域获得分类分数（即急性阑尾炎的可能性）。从所得分数的空间表示中，我们最终定义低熵区域（RLE）以选择最优诊断分数，这有助于提高分类精度，即使在阑尾定位误差较大的情况下也表现出鲁棒性。在 319 个腹部 CT 体积的实验中，所提出的带先验定位的基于 RLE 的决策相比标准基于 CNN 的诊断方法显示出显著改进。
引用
@article{arxiv.1909.00617,
title = {Reinforcement Learning-based Automatic Diagnosis of Acute Appendicitis in Abdominal CT},
author = {Walid Abdullah Al and Il Dong Yun and Kyong Joon Lee},
journal= {arXiv preprint arXiv:1909.00617},
year = {2019}
}
备注
9 pages, 6 figures