评估强化学习对自动深度大脑刺激计划的影响
Anja Pantovic1, Caroline Essert2
1ICube, University of Strasbourg, Strasbourg, France.
International journal of computer assisted radiology and surgery
|February 27, 2024
概括
深度强化学习 (DRL) 对规划深度大脑刺激 (DBS) 电极放置有希望,通过有效地导航复杂的解剖学,提供比传统方法更好的安全性和准确性.
科学领域:
- 神经外科 神经外科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 对于大脑电极放置的传统自动化规划面临着局限性,包括对局部最佳的敏感性.
- 机器学习方法越来越多地取代了传统的优化技术.
- 深度大脑刺激 (DBS) 电极放置计划是一个复杂的,多目标的优化问题.
研究的目的:
- 探索使用深度强化学习 (DRL) 来自动规划深度大脑刺激 (DBS) 电极放置的可行性.
- 在单个电极放置场景中评估DRL的性能.
主要方法:
- 开发了一种深度Q学习方法,根据电极轨迹和相关信息定义状态,并将行动作为可能的运动.
- 深度神经网络被用来导航来自MRI数据的复杂状态空间.
- 奖励功能是为了优先考虑安全性和准确性来达到目标大脑结构.
主要成果:
- 与细分的电极参考相比,DRL方法证明了复杂解剖学的优越导航,产生了更安全,更精确的电极放置.
- 与传统技术相比,DRL在平均接近障碍物方面提高了2.3%的准确性,在平均定向角度方面提高了19.4%.
- 计算时间显著增加,从2分钟增加到18分钟.
结论:
- DRL显示了DBS电极轨迹规划的巨大潜力,特别是在具有高维状态和动作空间的复杂场景中.
- 虽然在单个电极的情况下观察到适度的精度增长,但DLR对局部最佳的弹性是一个关键优势.
- 这项研究是解决计划多个电极放置的更复杂挑战的基本步骤.
