深度生成对抗强化学习用于医疗图像中低对比度和小物体的半监督细分
IEEE transactions on medical imaging
|April 1, 2024
概括
本研究介绍了用于半监督医疗图像细分的深度生成对抗强化学习 (DGARL). DGARL提高了检测和细分的准确性,在脑,肝脏和胰腺瘤数据集上表现优于现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度强化学习 (DRL) 在医疗图像细分方面表现有前途,特别是在具有挑战性的情况下,如低对比度和小物体.
- 现有的DRL方法在错误传播方面存在问题,需要大量的标记数据,这限制了它们的临床适用性.
研究的目的:
- 引入一种新的深度生成对抗强化学习 (DGARL) 方法,用于端到端的半监督医疗图像细分.
- 整合DRL和生成对抗网络 (GAN) 以全面优化检测和细分任务.
主要方法:
- 开发了一个具有两个区分器的任务联合GAN,用于同时评估和检测和细分之间的反.
- 实施了双向勘探DRL,使得即使没有从未标记的数据中获得明确的回报,也可以进行勘探.
主要成果:
- DGARL在脑瘤方面取得了85.02%的进展 (至少有1.91%的改善).
- 达到了73.18% 子用于肝脏瘤 (改善至少4.28%).
- 达到了70.85% 胰腺瘤的子 (至少2.73%的改善).
结论:
- 与最近的十种先进方法相比,DGARL在半监督医疗图像细分方面表现出优越的性能.
- 拟议的方法有效地解决了以前的DRL方法的局限性,特别是使用未标记的数据.
