无监督深度聚类与强化学习可在极小训练集下精确分割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：医学影像中的病灶分割是评估治疗反应的关键。我们近期已表明强化学习可应用于放射影像进行病灶定位。此外，我们证明了强化学习解决了有监督深度学习的重要局限；即，它能消除对大量标注训练数据的需求，并能提供有监督方法所缺乏的宝贵直觉。然而，我们未解决病灶/感兴趣结构分割这一基本任务。在此我们引入一种结合无监督深度学习聚类与强化学习以在MRI上分割脑病灶的方法。材料与方法：我们首先使用无监督深度学习聚类对图像进行聚类，为每幅MRI图像生成候选病灶掩膜。然后用户为10幅训练图像中的每一幅选择最佳掩膜。随后我们训练一个强化学习算法来选择掩膜。我们在另一个含10幅图像的测试集上测试了相应的训练好的深度Q网络。为作比较，我们也在相同的训练/测试图像集上训练并测试了一个U-net有监督深度学习网络。结果：有监督方法迅速过拟合训练数据，且在测试集上表现不佳（平均Dice系数16%），而无监督深度聚类与强化学习达到了83%的平均Dice系数。结论：我们展示了无监督深度聚类与强化学习分割脑肿瘤的原理验证应用。该方法代表了人机协作的AI，仅需放射科医生极少输入且无需手工勾画标注。
引用
@article{arxiv.2012.13321,
title = {Unsupervised deep clustering and reinforcement learning can accurately segment MRI brain tumors with very small training sets},
author = {Joseph Stember and Hrithwik Shalu},
journal= {arXiv preprint arXiv:2012.13321},
year = {2021}
}