边缘驱动的多剂增强学习:超声波乳腺瘤细分的新方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 在超声波 (US) 图像中精确细分乳腺瘤对于诊断和治疗计划至关重要.
• 传统的细分方法经常与美国成像中常见的文物和不规则边界作斗争.

研究的目的:

• 为乳腺瘤超声波图像开发一个先进的细分模型.
• 为了提高瘤边界划定的准确性和稳定性.

主要方法:

• 一个新的细分模型,使用了通过强化学习 (RL) 训练的虚拟代理.
• 代理人在边缘地图上导航,学习避免虚假的边界并连接断裂的段落.
• 整合RL与神经网络进行自动特征选择和处理美国图像文物.

主要成果:

• 提出的基于RL的模型有效地描绘了复杂的瘤轮,克服了典型的美国形象挑战.
• 代理商展示了避免边缘泄漏和文物的能力.
• 该模型的性能优于现有的13个最先进的算法,包括深度学习方法.

结论:

• 经过RL训练的虚拟代理模型在超声波图像的乳腺瘤细分方面取得了重大进展.
• 这种方法为划定不规则瘤边界提供了一种强大而准确的方法,性能优于当前的方法.