深度Q学习以全球优化医疗成像的k-D参数搜索
Hongmei Zhang1, Songshi Liang2, Luke A Matkovic3
1Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi'an Jiaotong University, Xi'an, China.
Quantitative imaging in medicine and surgery
|August 15, 2023
概括
我们开发了一种深度Q学习模型参数 (DQMP) 方法,用于全球优化. 这种新的方法准确地估计了多个参数,在复杂的,非凸的函数和成像应用中表现优于现有的方法.
科学领域:
- 计算科学 计算科学
- 机器学习 机器学习
- 优化优化 优化优化
背景情况:
- 估计多个模型参数的全局最佳值对于表征物理环境和确保可重现的成像至关重要.
- 非凸的目标函数由于局部最小值存在挑战,使参数估计复杂化.
- 全球参数搜索可以被定义为参数空间中的k维移动,将参数更新转换为状态行动决策问题.
研究的目的:
- 引入一种新的深度Q学习模型参数 (DQMP) 方法,用于全球优化多个参数.
- 解决非凸的客观函数中局部最小值的挑战,以准确估计参数.
- 通过精确的参数提取,提高物理成像的可靠性和可重复性.
主要方法:
- 为全球优化提出了模型参数的深度Q学习 (DQMP) 方法.
- 使用深度奖励网络 (DRN) 与长期短期记忆 (LSTM) 层来从配合和参数错误中学习全球奖励值.
- 模拟k维参数搜索作为一个状态动作决策过程,类似于k-D棋盘游戏.
主要成果:
- DQMP方法在各种一般函数的参数估计中实现了不到4%的相对误差.
- 与Q学习 (17%的误差) 和最小方程方法 (21%的误差) 相比,DQMP显示出更高的准确性.
- 图像实验表明,DQMP估计的参数产生了与地面真实模拟最接近的图像.
结论:
- DQMP方法成功实现了全球最佳,提供了准确的模型参数估计.
- 对于高维参数估计和复杂的非凸函数优化,DQMP显示出显著的前景.
- 该方法可用于各种全球优化问题和物理参数成像.
