超声图像分析的强化学习：进展与应用综述
图像与视频处理
2025-02-24 v1
摘要
过去十年，机器学习（ML）方法在医疗领域的应用呈指数级增长。这些方法大多基于深度学习，从网格数据（如医学图像）中学习表征。然而，强化学习（RL）在医疗领域的应用相对有限。医疗应用常涉及由多个子任务组成的诊断流程，RL因擅长优化此类序列决策任务而独具优势。超声（US）图像分析是此类序列决策任务的典型范例，其原始信号经过一系列信号处理和图像后处理步骤，最终导向诊断建议。US领域的RL应用仍有限。将深度学习与RL结合的深度强化学习（DRL）在通过实现智能和序列决策方面为优化这些流程提供了巨大潜力。本综述论文系统调查了过去十年中RL在US图像分析中的应用。我们提供了RL理论框架及其在US图像处理中的应用概述，并梳理了图像分析管道中现有工作。通过对Scopus数据库的全面检索筛选，获得14篇与本主题最相关的论文。这些论文根据目标应用（图像分类、图像分割、图像增强、视频摘要、自动导航与路径规划）进行分类。我们还考察了每篇文献中使用的RL方法类型。最后，我们讨论了DRL在US图像分析中用于序列决策的关键医疗领域，分析了其机遇、挑战与局限，为把握DRL在US图像分析中的未来潜力提供了洞见。
引用
@article{arxiv.2502.14995,
title = {Reinforcement Learning for Ultrasound Image Analysis A Comprehensive Review of Advances and Applications},
author = {Maha Ezzelarab and Midhila Madhusoodanan and Shrimanti Ghosh and Geetika Vadali and Jacob Jaremko and Abhilash Hareendranathan},
journal= {arXiv preprint arXiv:2502.14995},
year = {2025}
}
备注
36 pages, 4 figures, 1 table