像素级深度强化学习用于准确和强大的医疗图像细分
Yunxin Liu1,2, Di Yuan1,2, Zhenghua Xu3,4
1State Key Laboratory of Reliability and Intelligence of Electrical Equipment, School of Health Sciences and Biomedical Engineering, Hebei University of Technology, Tianjin, China.
Scientific reports
|March 11, 2025
概括
这项研究介绍了PixelDRL-MG,这是一种用于医学图像细分的新型深度强化学习模型. 它以更少的参数实现了卓越的准确性,克服了现有的深度学习方法的局限性.
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:
- 深度学习方法主导医疗图像细分,但与大型模型产生不可持续的路径依赖性.
- 目前用于细分的深度强化学习 (DRL) 方法面临诸如高培训成本和不确定的输出等挑战.
研究的目的:
- 引入一个新的像素级深度强化学习模型,带有像素对像素的面具生成 (PixelDRL-MG),以提高医疗图像分割的准确性和稳定性.
- 通过减少模型参数和部署成本,打破当前深度学习模型的路径依赖.
主要方法:
- 拟议的PixelDRL-MG模型使用动态代更新策略进行直接细分,无需用户交互或初始掩护.
- 引入了像素级别的异步优势行为者-关键 (PA3C) 策略,将每个像素视为代状态更新的代理.
主要成果:
- 与最先进的基线相比,PixelDRL-MG表现出优越的细分性能,特别是在对象边界.
- 该模型以显著更少的参数实现了这一目标,并在低资源设置 (50-shot/100-shot) 中表现出强的性能.
结论:
- 像素DRL-MG为医疗图像细分提供了更准确,更强大和更有效的参数解决方案.
- 该模型在低资源场景中的有效性使其适用于现实世界的应用.
