基于深度Q网络与Q学习的强化学习以极少量训练集精确定位MRI脑肿瘤
计算机视觉与模式识别
2021-03-22 v2 人工智能
摘要
目的 放射学中的监督式深度学习存在众所周知的固有局限：1）需要大型手工标注数据集，2）不可泛化，3）缺乏可解释性与直观性。我们近期提出以强化学习解决这三点。然而，我们将其应用于带放射科医生眼动追踪点的图像，这限制了状态-动作空间。此处我们将Deep-Q Learning推广至基于网格世界（gridworld）的环境，从而仅需图像与图像掩码。材料与方法 我们在来自BraTS脑肿瘤数据库的30张二维图像切片上训练Deep Q网络。每张图像含一个病灶。随后我们在独立的30张测试集图像上测试训练好的Deep Q网络。为比较，我们也针对同一训练/测试图像集训练并测试了关键点检测监督式深度学习网络。结果 监督式方法迅速过拟合训练数据，且在测试集上表现欠佳（准确率11%），而Deep-Q学习方法随训练时间对测试集的泛化能力逐步提升，达到70%准确率。结论 我们展示了强化学习应用于放射学图像的原理验证，此处使用2D对比增强MRI脑图像以定位脑肿瘤为目标。这代表了近期工作向网格世界设定的推广，天然适用于医学图像分析。
引用
@article{arxiv.2010.10763,
title = {Reinforcement learning using Deep Q Networks and Q learning accurately localizes brain tumors on MRI with very small training sets},
author = {Joseph N Stember and Hrithwik Shalu},
journal= {arXiv preprint arXiv:2010.10763},
year = {2021}
}