基于强化学习的双参数MR图像前列腺癌弱监督定位
计算机视觉与模式识别
2024-02-22 v1
摘要
在本文中，我们提出了一种基于强化学习的弱监督定位系统。我们通过引入一种新颖的奖励定义来训练控制器函数，以定位图像内的感兴趣区域，该奖励定义利用了由预训练的二元分类器生成的非二值化分类概率，该分类器用于对图像或图像裁剪块中的目标存在性进行分类。目标存在性分类器随后可以通过量化图像包含目标的似然度，将定位质量告知控制器。这种方法使我们能够最大限度地减少通过人工标注进行全监督定位所传播的任何潜在标注或人为偏差。我们在一个包含真实临床前列腺双参数MR图像的大型数据集上，评估了我们所提方法在癌性病灶定位任务中的表现。与常用的多示例学习弱监督定位方法和全监督基线的比较表明，我们提出的方法优于多示例学习，并且在仅使用图像级分类标签进行训练的情况下，其表现与全监督学习相当。
引用
@article{arxiv.2402.13778,
title = {Weakly supervised localisation of prostate cancer using reinforcement learning for bi-parametric MR images},
author = {Martynas Pocius and Wen Yan and Dean C. Barratt and Mark Emberton and Matthew J. Clarkson and Yipeng Hu and Shaheer U. Saeed},
journal= {arXiv preprint arXiv:2402.13778},
year = {2024}
}
备注
Accepted at ISBI 2024 (21st IEEE International Symposium on Biomedical Imaging)