强化学习在医学图像分析中的概念、应用、挑战与未来方向
计算机视觉与模式识别
2022-06-30 v1 机器学习
摘要
动机：医学图像分析涉及协助医师对病灶或解剖结构进行定性与定量分析的任务，显著提升诊断与预后的准确性和可靠性。传统上，这些任务由医师或医学物理师完成，导致两个主要问题：（i）效率低；（ii）受个人经验偏倚。过去十年中，许多机器学习方法被用于加速和自动化图像分析过程。相较于有监督与无监督学习模型的大量部署，尝试在医学图像分析中使用强化学习的做法甚少。本综述文章可作为相关研究的垫脚石。意义：据我们观察，尽管强化学习近年逐渐获得关注，医学分析领域的许多研究者仍难以理解并在临床中部署。原因之一在于缺乏面向无专业计算机背景读者的系统性综述文章。本文并非罗列医学图像分析中所有强化学习模型，而是帮助读者学习如何将自身的医学图像分析研究建模并求解为强化学习问题。方法学与结果：我们从 Google Scholar 和 PubMed 筛选已发表文章。考虑到相关文章稀少，我们也纳入了一些出色的最新预印本。论文经仔细审阅并按图像分析任务类型分类。我们首先回顾强化学习的基本概念与流行模型，随后探讨强化学习模型在关键点检测中的应用。最后，通过讨论所综述强化学习方法的局限与可能改进来总结全文。
引用
@article{arxiv.2206.14302,
title = {Reinforcement Learning in Medical Image Analysis: Concepts, Applications, Challenges, and Future Directions},
author = {Mingzhe Hu and Jiahan Zhang and Luke Matkovic and Tian Liu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2206.14302},
year = {2022}
}
备注
30 pages, 13 figures