論文の概要、ライセンス

# (参考訳) 深部強化学習に基づく心画像の左室輪郭形成 [全文訳有]

Left Ventricle Contouring in Cardiac Images Based on Deep Reinforcement Learning ( http://arxiv.org/abs/2106.04127v1 )

ライセンス: CC BY 4.0
Sixing Yin, Yameng Han, Shufang Li(参考訳) 医用画像分割は, 医用画像解析におけるコンピュータ支援診断の重要な課題の一つである。 ほとんどの医用画像は、ぼやけた境界と不均一な強度分布の特徴を有するため、既存のセグメンテーション法により、対象領域内の不連続性と目標境界の不連続性は、粗い、あるいは不規則な境界境界分断につながる可能性がある。 本稿では,目標セグメンテーション境界の問題に焦点をあてたエージェント強化学習に基づく,医用画像の反復的インタラクティブセグメンテーション手法を提案する。 我々は,ある順序で対象輪郭を描画する動的過程を,深い強化学習法に基づくマルコフ決定過程(MDP)としてモデル化する。 エージェントと画像との連続的な相互作用のダイナミックなプロセスにおいて、エージェントは、対象の輪郭が完全に描画されるまで、限られた長さの範囲内で境界点を順次追跡する。 この過程で、画像内のインタラクティブなポリシーを探索することにより、セグメンテーション性能を迅速に向上することができる。 提案手法は単純かつ効果的である。 同時に、心臓MRIスキャンデータセットを用いて、本手法の評価を行った。 実験結果から,本手法は少数の医用画像データセットにおいて左室のセグメンテーション効果に優れており,特にセグメンテーション境界では既存の方法よりも優れていることがわかった。 提案手法に基づいて,左室の輪郭軌跡の動的生成過程をhttps://github.com/H 1997ym/LV-輪郭軌跡でオンライン化する。

Medical image segmentation is one of the important tasks of computer-aided diagnosis in medical image analysis. Since most medical images have the characteristics of blurred boundaries and uneven intensity distribution, through existing segmentation methods, the discontinuity within the target area and the discontinuity of the target boundary are likely to lead to rough or even erroneous boundary delineation. In this paper, we propose a new iterative refined interactive segmentation method for medical images based on agent reinforcement learning, which focuses on the problem of target segmentation boundaries. We model the dynamic process of drawing the target contour in a certain order as a Markov Decision Process (MDP) based on a deep reinforcement learning method. In the dynamic process of continuous interaction between the agent and the image, the agent tracks the boundary point by point in order within a limited length range until the contour of the target is completely drawn. In this process, the agent can quickly improve the segmentation performance by exploring an interactive policy in the image. The method we proposed is simple and effective. At the same time, we evaluate our method on the cardiac MRI scan data set. Experimental results show that our method has a better segmentation effect on the left ventricle in a small number of medical image data sets, especially in terms of segmentation boundaries, this method is better than existing methods. Based on our proposed method, the dynamic generation process of the predicted contour trajectory of the left ventricle will be displayed online at https://github.com/H 1997ym/LV-contour-tr ajectory.
公開日: Tue, 8 Jun 2021 06:30:32 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Left Ventricle Contouring in Cardiac Images 心臓画像における左室造影 0.73
Based on Deep Reinforcement Learning 深層強化学習に基づいて 0.84
Sixing Yin, Yameng Han, and Shufang Li sixing yin、yameng han、shufang li 0.58
School of Information and Communication Engineering Beijing University of Posts and Telecommunications, China 情報通信工学専攻 北京郵政大学 0.36
Abstract—Medical image segmentation is one of the important tasks of computer-aided diagnosis 抽象的-医学的画像分割はコンピュータ支援診断の重要な課題の1つである 0.63
in medical image analysis. 医療画像解析に携わる。 0.82
Since most medical images have the characteristics of blurred boundaries ほとんどの医療画像には ぼやけた境界があるので 0.71
and uneven intensity distribution, through existing segmentation methods, the discontinuity within 不均一な強度分布 既存のセグメンテーション方法 内部の不連続性 0.69
the target area and the discontinuity of the target boundary are likely to lead to rough or even 目標領域と目標境界の不連続は、粗野または偶数に繋がるおそれがある 0.74
erroneous boundary delineation. In this paper, we propose a new iterative refined interactive 誤った境界表示。 本稿では,新しい反復的洗練インタラクティブを提案する。 0.75
segmentation method for medical images based on agent reinforcement learning, which focuses on エージェント強化学習に基づく医用画像のセグメンテーション手法 0.49
the problem of target segmentation boundaries. 目標セグメンテーション境界の問題です 0.57
We model the dynamic process of drawing the 我々は描画のダイナミックなプロセスをモデル化する 0.83
target contour in a certain order as a Markov Decision Process (MDP) based on a deep reinforcement 深い補強に基づくマルコフ決定過程(mdp)としての一定の順序の目標輪郭 0.74
learning method. In the dynamic process of continuous interaction between the agent and the image, 学習方法。 エージェントとイメージの連続的な相互作用のダイナミックな過程において 0.79
the agent tracks the boundary point by point in order within a limited length range until the contour エージェントは輪郭まで限られた長さの範囲内で境界点を順に追跡する 0.83
of the target is completely drawn. ターゲットは完全に引かれています 0.67
In this process, the agent can quickly improve the segmentation このプロセスでは、エージェントはセグメント化を迅速に改善できる 0.82
performance by exploring an interactive policy in the image. 画像内のインタラクティブなポリシーを探索するパフォーマンス。 0.75
The method we proposed is simple and 私たちが提案した手法はシンプルで 0.68
effective. At the same time, we evaluate our method on the cardiac MRI scan data set. 効果的だ 同時に、心臓MRIスキャンデータセットを用いて、本手法の評価を行った。 0.70
Experimental results show that our method has a better segmentation effect on the left ventricle in a small number 実験 その結果, 左心室の分画効果は小数で良好であることが判明した。 0.69
of medical image data sets, especially in terms of segmentation boundaries, this method is better 医療画像データセット、特にセグメンテーション境界に関して、この方法の方が優れている 0.83
than existing methods. Based on our proposed method, the dynamic generation process of the 既存の方法よりも 提案手法に基づいて, 動的生成過程をモデル化する。 0.77
predicted contour trajectory of the left ventricle will be displayed online at 予測された左室輪郭軌道はオンラインで表示されます 0.74
https://github.com/H 1997ym/LV-contour-tr ajectory. https://github.com/h 1997ym/lv-contour-tr ajectory。 0.29
Index Terms—Cardiac Segmentation, Deep Reinforcement Learning, Contour Trajectory 索引項-心室セグメンテーション、深層強化学習、輪郭軌道 0.71
I. INTRODUCTION In recent years, with the rapid development and popularization of medical imaging equipment, I 導入 近年、医療用イメージング機器の急速な発展と普及が進みつつある。 0.56
medical imaging data analysis has become an important auxiliary diagnosis and treatment method 医用画像データ解析は重要な補助的診断・治療法となっている 0.83
in the medical field. Imaging technology has become a non-invasive means to observe the 医療分野です イメージング技術は、その観察のための非侵襲的手段となった 0.53
英語(論文から抽出)日本語訳スコア
anatomical structure of organs and tissues. 臓器と組織の解剖学的構造。 0.82
For example, computer tomography(CT), magnetic 例えば、コンピュータ断層撮影(CT)、磁気。 0.76
resonance imaging (MRI), positron emission tomography (PET) and other technologies can 共鳴イメージング(MRI)、ポジトロン放射トモグラフィ(PET)、その他の技術 0.77
objectively and clearly reflect the tissue structure, pathological changes, and provide important help 組織構造、病理学的変化を客観的かつ明確に反映し、重要な助けを提供する 0.73
for doctors from location forensics to guided treatment, and a strong guarantee for clinical diagnosis 地域鑑識から指導治療までの医師と臨床診断の確固たる保証 0.60
and biomedical research[1]. 生物医学の研究です[1] 0.71
Therefore, relevant experts have always attached great importance to それゆえ 関係する専門家は 常に 0.57
medical image processing technology, and medical image segmentation is an important step in 医用画像処理技術と 医用画像分割は 0.40
image processing technology. It is not only the primary problem to be solved for image analysis and 画像処理技術。 画像解析のために解決すべき主な問題であるだけでなく 0.77
recognition, but also a bottleneck restricting the development and application of related technologies 認識だけでなく、関連する技術の開発と応用を制限するボトルネックでもある 0.64
such as visualization, image registration and fusion of different modalities, and 3D reconstruction 異なるモードの可視化、画像登録および融合、および3次元再構成 0.70
in medical image processing[2]. in medical image processing[2] 0.69
This paper discusses the application of deep learning in medical 本稿では,深層学習の医療への応用について論じる。 0.61
image processing from the perspective of medical image segmentation. 医用画像セグメンテーションの観点からの画像処理。 0.65
Medical image segmentation is the extraction of specific anatomical organs or lesions in medical 医用画像分割は、医学における特定の解剖器官または病変の抽出である 0.74
images. It is a particularly important processing step for automatic image pattern recognition and 画像。 これは、画像パターン自動認識のための特に重要な処理ステップである。 0.69
scene analysis and understanding. It is also a bridge from low-level image processing to high- シーンの分析と理解 また、低レベル画像処理から高レベル化へのブリッジでもある。 0.67
level image understanding. Medical image segmentation has important academic research レベル画像の理解。 医用画像セグメンテーションは重要な学術研究である 0.78
significance and application value in research and practice fields such as medical research, clinical 医学研究・臨床研究などの研究・実践分野における意義と応用価値 0.88
diagnosis, pathological analysis, and image information processing. 診断、病理解析、画像情報処理。 0.58
It is embodied in the following 以下に具現化される。 0.66
aspects: (1) Extract quantitative information of special tissues in the image, such as calculating the volume 側面: 1)体積計算などの画像中の特殊組織の定量的情報を抽出する
訳抜け防止モード: 側面: (1)画像中の特殊組織の定量的情報を抽出する。 体積を計算したり
0.71
of human organs, tissues or lesions, so as to perform quantitative analysis on medical 医学的分析を行うために、ヒトの器官、組織または病変について 0.72
images. (2) The subsequent processing of images facilitates image analysis and understanding, such as image 画像。 2)画像のその後の処理は,画像などの画像解析と理解を促進する 0.81
registration, fusion, and recognition of different imaging devices. 異なる撮像装置の登録、融合、認識。 0.59
These technologies have greatly expanded the scope of medical images used by clinicians. これらの技術は 臨床医が使う医療画像の範囲を広げました 0.82
(3) It is used in clinical medical application systems to retrieve medical images, such as 3D (3)3Dなどの医用画像の検索に臨床医療応用システムで用いられる。 0.81
reconstruction of medical images, pathological research, anatomical references, and the formulation 医用画像の再構築、病理研究、解剖学的基準及び定式化 0.81
of surgical procedures. Due to the interference of various complex factors inside the human body and medical imaging 手術の手順です 人体内の様々な複雑な因子の干渉と医用イメージング
訳抜け防止モード: 手術の手順です 人体内の様々な複雑な因子の干渉によって 医療画像や
0.73
equipment, as well as the influence of imaging noise, artifacts and partial volume effect, the actual 装置、画像ノイズ、アーティファクト、部分体積効果の影響だけでなく、実際のもの 0.69
medical images obtained have the characteristics of blur, uneven grayscale distribution, and defects 得られた医用画像は、ぼやけ、不均一なグレースケール分布、欠陥の特徴を有する 0.74
英語(論文から抽出)日本語訳スコア
in the boundaries between different tissues. 異なる組織の境界にあります 0.65
In addition, the anatomical structure of the human body さらに人体の解剖学的構造は 0.62
has a certain degree of complexity and individuals have great differences in their response to ある程度の複雑さがあり 個人は反応に大きな違いがあります 0.68
pathology or lesions under their respective physiological conditions. それぞれの生理的条件下での病態または病変。 0.63
These complicated conditions have brought great difficulty to medical image segmentation. これらの複雑な条件 医療画像のセグメンテーションに大きな困難をもたらしました 0.72
At the same time, in the actual medical 同時に、実際の医療においても 0.82
field application, the vast majority of cases will face the situation of less target data sources and フィールドアプリケーション 大部分のケースは、ターゲットデータソースの少ない状況に直面します。 0.67
small scale. In the absence of large-scale training data sets, it is particularly important to design a 小規模。 大規模なトレーニングデータセットがない場合、特に設計が重要である。 0.73
reasonable network architecture to adapt to the reality of small-scale data sets. 小規模データセットの現実に適応するための合理的なネットワークアーキテクチャ。 0.79
This is an important これは重要なことです 0.78
link in the combination of technology and actual scenarios. 技術と実際のシナリオの組み合わせをリンクします。 0.82
Although the segmentation technology based on deep convolutional network has been widely 深層畳み込みネットワークに基づくセグメンテーション技術は広く行われているが 0.80
used in various medical imaging modes, and has shown a broad future, it has overcome the 様々な医療用イメージングモードで使用されており、幅広い将来性を示しており、克服されている。
訳抜け防止モード: 様々な医療画像モードで使われ 幅広い未来が示されています 乗り越えました
0.77
limitations of conventional segmentation technology. 従来のセグメンテーション技術の限界です 0.82
At present, a lot of work has been done, 現在、多くの仕事が行われている。 0.62
normally using an end-to-end dense predictor to classify each pixel in the image to directly predict 通常、エンドツーエンドの高密度予測器を使用して画像の各ピクセルを分類して直接予測する 0.60
the label of the pixel. Neural networks focus on extracting features from specific regions[3], but due ピクセルのラベル。 ニューラルネットワークは、特定の領域[3]から特徴を抽出することに重点を置いているが、deal 0.51
to the complex anatomical structure of the human body, there may be defects within the tissues, and 人体の複雑な解剖学的構造には、組織の中に欠陥があるかもしれないし、 0.77
there are often blurred boundaries between different tissues. 異なる組織の間には しばしばぼやけた境界があります 0.68
Therefore, the convolutional neural したがって、畳み込み神経は 0.74
network may easily ignore the local spatial information where the contour boundary between the ネットワークは、輪郭境界がある局所的な空間情報を容易に無視することができる 0.70
target object and the background is located, which makes it difficult to classify the pixels near the ターゲットオブジェクトと背景が配置されているため、近傍のピクセルの分類が困難になる 0.84
target boundary, resulting in an incorrect contour segmentation. ターゲット境界は不正確な輪郭分割となる。 0.68
In recent years, some researchers have improved the segmentation boundary problem by designing more complex loss functions[4], 近年 ある研究者は より複雑な損失関数を設計することでセグメンテーション境界問題を改善した[4]。 0.73
adding additional contour edge detectors[5], and using some conventional methods such 追加の輪郭端検出器[5]を追加し、いくつかの従来の方法を使用する 0.65
as conditional random fields (CRF)[22] or manual features. 条件付きランダムフィールド(CRF)[22]または手動の特徴として。 0.78
However, these methods often require しかしこれらの方法には 0.72
more complex designs, which reduces the efficiency of segmentation. より複雑な設計で セグメンテーションの効率を低下させます 0.80
In order to solve the above problems, we propose an interactive image segmentation method 上記の問題を解決するために,対話型画像分割法を提案する。 0.81
based on deep reinforcement learning technology. 深層強化学習技術に基づいています 0.78
This method uses a small amount of training set この方法は少量のトレーニングセットを使用します 0.85
to make the image segmentation boundary achieve better results, and the method is simple and 画像分割境界をよりよい結果にするために、その方法は単純で、 0.73
effective. We model the iterative dynamic process of the agent interacting with the image as a 効果的だ 画像と相互作用するエージェントの反復的動的過程をモデル化する。 0.71
Markov Decision Process (MDP). Markov Decision Process (MDP) の略。 0.77
By combining the rewards obtained, the agent tracks the contour 得られる報酬を組み合わせることで、エージェントは輪郭を追跡する 0.67
boundary of the target point by point within a limited length range until the target contour is 対象の輪郭が続くまで、限られた長さの範囲内における目標点の境界 0.83
completely drawn. In our method, we regard the agent as a paintbrush that draws the contour of the 完全に引かれた 本手法では, エージェントをペンキブラシとみなし, その輪郭を描画する。 0.56
target, and its drop position for each interaction is centered on its current position, and drops down ターゲット それぞれの相互作用の落下位置は 現在の位置に集中し 降下します 0.68
英語(論文から抽出)日本語訳スコア
at one of the eight directions surrounding it. 取り巻く8つの方向のうちの1つです 0.68
The agent selects an appropriate initial drop position, エージェントは、適切な初期降下位置を選択する。 0.70
and then effectively interacts with the image, obtains corresponding feedback according to そして、画像と効果的に相互作用し、対応するフィードバックを得る。 0.69
the predefined segmentation metric, and can explore a better segmentation policy through the 事前に定義されたセグメンテーションメートル法で より優れたセグメンテーションポリシーを 0.68
backpropagation method to refine the segmentation result. セグメンテーション結果を洗練させる バックプロパゲーション法 0.60
In the training process, we divide the トレーニングプロセスでは、分割します。 0.66
segmentation task into two sub-tasks, one is to find the starting point of the contour trajectory, and 2つのサブタスクへのセグメンテーションタスク、1つは輪郭軌道の開始点を見つけること、そして 0.78
the other is to ignore the starting point and is responsible for the generation of the subsequent もう1つは 出発点を無視して 後の世代に責任を負うことです 0.63
contour trajectory. In the second subtask, for each training image, we can get a lot of contour 輪郭軌道だ 第2のサブタスクでは、トレーニングイメージごとに、多くの輪郭が得られます。 0.65
trajectories with different initial starting points. 初期開始点が異なる軌道。 0.66
Therefore, even if we only have a small number of したがって、たとえごく少数の人しかいないとしても 0.59
sample images, we can still get a training set with a large amount of trajectory data. サンプル画像では、大量の軌道データを持つトレーニングセットも取得できます。 0.70
Based on this, in the training process of the trajectory model, we can extract richer and more detailed local に基づいて これは軌道モデルの訓練過程において より豊かでより詳細な地域を抽出し 0.73
space information where the target segmentation boundary is located, so as to achieve a better 目標セグメンテーション境界が位置する空間情報により、より良いものを達成する 0.80
segmentation effect. セグメンテーション効果。 0.55
We evaluate our method on the data set of cardiac MRI scans. 心臓MRI画像のデータセットを用いて本手法の評価を行った。 0.71
The experimental results show that our method uses a smaller amount of training set to produce better results for the image 実験結果は 私たちの方法では 画像のより良い結果を得るために 少ないトレーニングセットを使って 0.70
segmentation boundary. セグメンテーション境界。 0.57
The contributions of this paper are as follows: 本論文の貢献は以下のとおりである。 0.83
1) We propose an interactive image segmentation method based on deep reinforcement learning, 1)深層強化学習に基づくインタラクティブな画像分割手法を提案する。 0.79
which imitates the process of drawing the contour boundary of the target point by point. これは、目標点の輪郭境界を点ごとに描画する過程を模倣する。 0.71
2) We use a smaller amount of sample images, but obtain a large number of training sets of trajectory 2) サンプル画像は少ないが, 多数の軌道の訓練セットが得られる。 0.61
data, so that we can extract richer and more detailed image features to achieve better segmentation より豊かで詳細な画像特徴を抽出し、より良いセグメンテーションを実現するためのデータ 0.85
results. 3) We use the relative rewards obtained in the continuous interactive dynamic process between the 結果だ 3) 連続的対話的動的過程において得られる相対報酬を利用する。 0.73
agent and the image, and we can adjust the policy in time, refine the segmentation, and improve the エージェントとイメージは 時間内にポリシーを調整し セグメンテーションを洗練し 改善できます 0.57
speed and efficiency of the segmentation. セグメンテーションのスピードと効率。 0.51
II RELATED WORK In this section, the conventional image segmentation method based on convolutional neural II 関連作業 本稿では,畳み込みニューラルネットワークに基づく従来の画像分割法について述べる。 0.62
network and the content related to this work will be briefly reviewed in the following context. ネットワークとこの作業に関連するコンテンツは、以下の文脈で簡単にレビューする。 0.72
A. Conventional segmentation methods A。 従来のセグメンテーション方法 0.75
Conventional image segmentation is to divide the image into several disjoint areas according to the 従来のイメージセグメンテーションでは、画像は複数の不連続領域に分割される。 0.70
characteristics of grayscale, color, spatial texture, etc., so that these characteristics show consistency or グレースケール、色、空間テクスチャ等の特性で、これらの特性が一貫性または一貫性を示す 0.74
英語(論文から抽出)日本語訳スコア
similarity in the same area, but show obviously different between different areas. 同じ領域の類似性は 明らかに異なる領域で示されています 0.80
Conventional segmentation technologies include edge-based image segmentation technology, threshold-based image 従来 セグメンテーション技術にはエッジベース画像セグメンテーション技術、しきい値ベース画像が含まれる 0.63
segmentation technology, region-based image segmentation technology, etc. セグメンテーション技術、地域ベースの画像セグメンテーション技術など。 0.70
[6]. Threshold segmentation method is one of the commonly used segmentation techniques, and its [6]. 閾値セグメンテーション法は一般的に使われているセグメンテーション手法の1つである 0.70
essence is to automatically determine the optimal threshold value according to certain standards, and use 本質的には、特定の基準に従って最適な閾値を自動的に決定し、使用すること 0.68
these pixels according to the gray level to achieve clustering. このピクセルはグレーレベルに応じて クラスタリングを実現します 0.83
The region-based segmentation method is 領域ベースのセグメンテーション方法は 0.82
a segmentation technique based on directly finding new regions, which can be divided into two basic 新しい地域を直接見つけることに基づく区分法で、2つの基本に分けられる 0.78
methods: region growth and region splitting and merging. 方法:地域の成長と地域分割と合併です 0.82
The segmentation method based on edge エッジに基づくセグメンテーション手法 0.63
detection splits the image by detecting the edges of different regions. 検出は、異なる領域のエッジを検出して画像を分割する。 0.72
It uses the discontinuous nature of それは不連続な性質を使う 0.69
the pixel values of adjacent regions and uses derivatives to detect edge points. 隣接領域のピクセル値は、エッジポイントを検出するためにデリバティブを使用する。 0.69
The conventional segmentation method will produce different problems in practical applications. 従来のセグメンテーション法は, 実用化において異なる問題を生じさせる。 0.63
In the edge-based seg- mentation method, the segmentation result may face problems such as no edge, 院 エッジベースのセグメンテーション法では、セグメンテーション結果がエッジなしなどの問題に直面する可能性がある。 0.51
severe noise, and excessive smooth boundary; in the threshold-based segmentation method, if the 強烈な雑音と過度な平滑な境界 : しきい値に基づく分節法において,if 0.70
threshold is not set properly, over-segmentation or under-segmentation will occur on the segmentation しきい値が適切に設定されず、過剰なセグメンテーションまたは過小セグメンテーションがセグメンテーションで起こる 0.56
edge, resulting in false edges or missing edges; in the region-based method, there may be エッジ、結果として偽のエッジまたは欠落するエッジ;リージョンベースの方法では、あるかもしれない 0.58
problems such as the size of the segmented region does not match the actual object[7]. 分割された領域のサイズのような問題は、実際のオブジェクト[7]と一致しない。 0.71
In addition, image processing technology based on conventional methods is difficult to meet the requirements of また、 従来の手法に基づく画像処理技術は,要件を満たすことが困難である 0.65
practical applications in terms of segmentation accuracy and segmentation efficiency. セグメンテーション精度とセグメンテーション効率の観点からの実用化 0.61
B. Segmentation methods based on deep learning technology B。 ディープラーニング技術に基づくセグメンテーション手法 0.72
Deep learning[8] is a branch of machine learning and a research hotspot in the field of machine Deep Learning[8]は機械学習の一分野であり、機械学習の分野における研究ホットスポット 0.81
learning in the past decade. 過去10年間に学習しました 0.70
Deep learning is a method of modeling the information hidden in high-levels ディープラーニングは、ハイレベルに隠された情報のモデリング方法である 0.70
by using a multi-layer neural network structure. 多層ニューラルネットワーク構造を使用することで。 0.80
The main idea of image semantic segmentation 画像意味セグメンテーションの主な考え方 0.73
technology based on deep learning is to directly input a large amount of original image data to the deep 深層学習に基づく技術は、大量のオリジナル画像データを深層に直接入力することである 0.83
network without artificial design features, and perform complex processing on the image data 人工的な設計特徴のないネットワークと画像データに対する複雑な処理 0.88
according to the designed deep network algorithm to obtain high-level abstract features. 設計したディープネットワークアルゴリズムにより、高レベルの抽象的特徴を得る。 0.71
The output is no longer a simple classification or target location, but a segmented image with the same resolution 出力 もはや単純な分類やターゲット位置ではなく、同じ解像度で分割された画像です 0.68
as the input image with a pixel category label. ピクセルカテゴリラベル付き入力画像として。 0.55
As the most successful deep learning model in the field of computer vision, Convolutional Neural コンピュータビジョンの分野で最も成功したディープラーニングモデルとして、畳み込みニューラルネットワーク 0.76
Network (CNN) has made breakthroughs in recent years. ネットワーク(CNN)は近年ブレークスルーを遂げている。 0.78
Since then, deep learning algorithms based on それ以来 深層学習アルゴリズムは 0.55
英語(論文から抽出)日本語訳スコア
CNN have continuously made breakthroughs in large-scale competitions in the field of image CNNは画像分野の大規模コンペで常にブレークスルーを続けている 0.69
classification and recognition, and have been widely used in image classification, speech recognition, 分類と認識は、画像分類や音声認識で広く使われている。 0.72
machine translation and other fields. 機械翻訳や他の分野。 0.84
Its recognition accuracy has even exceeded the accuracy of その認識精度は、その精度を超えた。 0.72
manual recognition in some areas. いくつかの地域で手動認識 0.69
Therefore, designing a deep learning model to deal with semantic したがって、意味を扱うためのディープラーニングモデルの設計 0.77
seg- mentation has great potential. セグメンションは大きな可能性を秘めている。 0.35
In 2015, Long et al proposed a Full Convolutional Network (FCN)[9], which uses a CNN 2015年、LongらはCNNを使用したFCN(Full Convolutional Network)[9]を提案した。 0.77
structure with dense predictive capabilities without fully connected layers, which promotes the rapid 密集した予測能力を持つ構造は、完全連結層を必要とせず、迅速性を促進する 0.60
development of image semantic segmentation. 画像意味セグメンテーションの開発 0.58
This model allows images of any size to generate このモデルは任意のサイズの画像を生成することができる 0.72
segmented images, and it is also much faster than the image block classification method[10]. 画像のセグメンテーションも、画像ブロック分類法[10]よりもはるかに高速である。 0.72
However, since this method restores the segmentation map with the same size as the original image, the feature しかし、 本手法は、元の画像と同じサイズでセグメンテーションマップを復元するので、その特徴 0.74
map obtained by transposed convolution and upsampling[11] is relatively sparse, which will cause the transposed convolutionとupsampling[11]によって得られたマップは、比較的スパースであり、それによって引き起こされる。 0.59
segmentation result to be less refined, and the method does not take into account the usefulness of セグメンテーションの結果はより洗練され、その方法が有用性を考慮していない 0.66
global context information. グローバルな文脈情報です 0.69
In order to solve this problem, an encoder-decoder structure has been この問題を解決するため、エンコーダ・デコーダ構造は 0.74
proposed. The encoder down-samples the input image to generate a feature map with lower resolution, 提案だ エンコーダは入力画像をダウンサンプルし、解像度の低い特徴マップを生成する。 0.70
which can efficiently classify, and the decoder gradually restores the target details and spatial 効率よく分類でき、デコーダはターゲットの詳細と空間を徐々に復元します 0.82
dimensions. There is usually a shortcut connection between the encoder and the decoder, so it can help 寸法。 通常、エンコーダとデコーダの間にはショートカット接続があり、それが助けとなる。 0.69
the decoder to better repair the details of the target. デコーダは、ターゲットの詳細をより良く修復する。 0.64
U-Net is a typical structure in this method[12], it U-Netはこの方法の典型的な構造である[12]。 0.88
has good performance and simple structure. パフォーマンスが良く、構造もシンプルです。 0.74
Since U-Net was proposed, it has been favored by re- searchers in medical image segmentation. U-Netが提案されて以来、医療画像のセグメンテーションにおいて再検索者に好まれてきた。 0.56
The first network model adopted by most researchers for medical image segmentation is U-Net, and ほとんどの研究者が医療画像分割に採用した最初のネットワークモデルはU-Netである。 0.73
many subsequent models are improved on the basis of U-Net[13,14]. その後のモデルの多くはU-Net[13,14]に基づいて改善される。 0.66
For example, Poudel et al [15] 例えば、Poudel et al [15] 0.72
combined a like U-Net network structure with a cyclic network unit GRU, and proposed RFCN. U-Netネットワーク構造を循環ネットワークユニットGRUと組み合わせ、RFCNを提案した。 0.77
This network model used the spatial dependence between 2D slices to improve the segmentation of the left これ ネットワークモデルは2次元スライス間の空間依存を利用して左のセグメンテーションを改善する 0.77
ventricular inner and outer membranes of the apex. 頂点の心室内膜と外膜。 0.50
In addition, there are also some methods that focus さらに 焦点を当てる方法もいくつかあります 0.74
on the development of new loss functions for medical image segmentation. 医用画像分割のための 新しい損失関数の開発について 0.81
Common examples are dice 一般的な例はサイコロ 0.61
loss[16] and focal loss[17]. 損失[16]と焦点損失[17]。 0.65
Although they can alleviate the class imbalance problem in medical image 医用画像におけるクラス不均衡問題を軽減することができる 0.72
segmentation tasks and improve segmentation accuracy, but they can’t clearly extract precise セグメンテーションのタスクとセグメンテーションの精度は向上するが、正確には抽出できない 0.73
boundaries. In [18], Kervadec proposed a boundary loss, which explicitly forces the boundary of the 境界だ 18]において、ケルヴァデックは境界を明示的に強制する境界損失を提案した。 0.67
segmentation result to be aligned with the boundary of the ground-truth. セグメンテーションの結果は、地対面の境界に沿ってなる。 0.63
In the process of semantic segmentation, the analysis of image semantic scene is extremely critical. 意味的セグメンテーションの過程では,画像意味的シーンの分析が極めて重要である。 0.76
英語(論文から抽出)日本語訳スコア
However, most of the early architectures were based on FCN, which did not introduce enough context しかし、初期のアーキテクチャのほとんどはFCNをベースとしていた。 0.54
information and global information under different receptive fields, which could easily lead to wrong 異なる受容領域の下の情報とグローバルな情報は 容易に間違いを招きかねない 0.72
segmentation results. セグメンテーションの結果。 0.62
In view of the problem that the same object has different scales on different 同じ物体が異なるスケールを持つという問題を考えると 0.65
images, the network using multi-scale feature fusion can not only segment large-scale objects, but also 画像, マルチスケール機能融合を用いたネットワークは, 大規模オブジェクトをセグメント化できるだけでなく 0.77
segment small-scale objects. 小規模なオブジェクトをセグメントする。 0.57
Inspired by the SPP module[19], Chen et al. SPPモジュール[19]にインスパイアされたChenら。 0.59
[20] used the spatial pyramid pooling module (ASPP) combined with atrous convolution in DeepLab v2. 20]空間を使い pyramid pooling module (aspp) はdeeplab v2のatrous convolutionと組み合わせられている。 0.67
This module uses このモジュールは使う 0.88
atrous convolutions with different sampling rates as parallel branches to extract features of different 異なる特徴抽出のための並列分岐としてのサンプリング率の異なるアトラス畳み込み 0.80
scales to achieve multi- scale feature fusion. マルチスケール機能融合を実現するためのスケール。 0.69
Zhao et al [21] proposed PSPNet. Zhao et al [21] は PSPNet を提案した。 0.73
PSPNet includes a module with hierarchical global priority and different scale information between different sub-regions, PSPNet には 階層的なグローバル優先度と異なるサブリージョン間の異なるスケール情報を持つモジュール。 0.67
called the pyramid pooling module. ピラミッドプールモジュールと呼ばれています 0.65
It makes full use of the prior knowledge of the hierarchical global 階層的グローバルの事前知識を最大限に活用し 0.68
feature to understand different scenarios, and aggregates the information of different regions to obtain 異なるシナリオを理解し、異なる領域の情報を集約して取得する機能 0.84
the content of the global context. グローバル・コンテクストの内容です 0.48
At the same time, PSPNet also proposed an optimization strategy for 同時に、pspnetは最適化戦略も提案している。 0.77
moderate supervision loss, which performed well on multiple data sets. 適度な監視損失だ 複数のデータセットでうまく機能した 0.73
It can be said that PSPNet uses both local and global information to achieve the integration of information at different scales and PSPNetは 異なる規模の情報の統合を実現するための地域情報とグローバル情報の両方 0.53
achieves good performance. 良いパフォーマンスを達成できます 0.67
The network architecture of semantic segmentation started from FCN [9], and then continued to セマンティックセグメンテーションのネットワークアーキテクチャはFCN[9]から始まり、その後継続した。 0.75
incorporate effective techniques such as conditional random field (CRF)[22], atrous convolution and 条件付きランダムフィールド(CRF)[22]、アトラスな畳み込み、そして 0.42
spatial pyramid pooling (ASPP)[20] and continuously improve the speed and accuracy of semantic 空間ピラミッドプーリング(ASPP)[20]とセマンティックのスピードと精度を継続的に改善する 0.80
segmentation. C. Deep reinforcement learning セグメンテーション C. 深層強化学習 0.62
Deep reinforcement learning (DRL) is the product of the combination of deep learning and 深層強化学習(Deep reinforcement learning, DRL)は、深層学習と深層学習の組み合わせの産物である。 0.64
reinforcement learning. It integrates deep learning’s strong understanding of perception problems and 強化学習。 ディープラーニングの知覚問題に対する強い理解と統合され 0.72
the decision-making ability of reinforcement learning to realize end-to-end learning. エンドツーエンド学習を実現するための強化学習の意思決定能力 0.76
The emergence of deep reinforcement learning makes reinforcement learning technology truly practical and can solve 出現する 深層強化学習は強化学習技術を真に実践し解決する 0.60
complex problems in real-world scenarios. 現実のシナリオにおける複雑な問題。 0.58
In 2015, Googles DeepMind team developed AlphaGo[23] based on DRL, which pushed DRL to a 2015年、GoogleのDeepMindチームはDRLをベースとしたAlphaGo[23]を開発した。 0.81
new hot spot and height, becoming a new milestone in the history of artificial intelligence, and it was 新しいホットスポットと高さは、人工知能の歴史における新しいマイルストーンとなり、そしてそれは 0.72
widely used in other fields. 他の分野で広く使われている。 0.64
For example, to optimize the trajectory in unmanned driving[24], apply it to 例えば、無人運転[24]の軌道を最適化するには、それを適用する。 0.73
tasks such as text summarization, question and answer[25] and machine translation[26] in NLP, and NLPにおけるテキスト要約、質問と回答[25]、機械翻訳[26]などのタスク 0.68
apply it to automated medical diagnosis and other fields. 自動診断や他の分野に適用してください 0.74
英語(論文から抽出)日本語訳スコア
Conventional image segmentation work based on deep learning technology largely ignores the ディープラーニング技術に基づく従来の画像分割作業は、ほとんど無視される 0.72
dynamic exploration between successive interactions, which greatly reduces the efficiency of 連続する相互作用間の動的探索は効率を大幅に低下させる 0.82
segmentation. In our work, we use the agent- based DRL process to draw the segmentation targets セグメンテーション 本研究では,エージェントベースDRLプロセスを用いてセグメンテーションターゲットを描画する。 0.57
contour. By modeling the dynamic process of iteratively updated inter- active image segmentation into a 輪郭 繰り返し更新されたアクティブ画像分割の動的過程をモデル化することで 0.59
Markov decision process, we have achieved the precise segmentation of the target boundary. マルコフ決定過程では,対象境界の正確なセグメンテーションが達成された。 0.75
This method considers the segmentation update sequence as a whole, makes full use of the correlation and これ メソッドはセグメンテーション更新シーケンス全体を考慮し、相関をフル活用し、 0.69
dynamics of continuous interaction, and greatly improves the efficiency and accuracy of segmentation. 連続的な相互作用のダイナミクスにより、セグメンテーションの効率と精度が大幅に向上する。 0.73
A. Data Preprocessing III METHODOLOGY A。 データ前処理 III 方法論 0.73
Our entire dataset contains two-dimensional cardiac images acquired through magnetic resonance データセット全体は、磁気共鳴によって得られた2次元心臓画像を含んでいる 0.58
imaging (MRI) with non-uniform sizes. 非均一な大きさのイメージング(MRI)。 0.72
For each image, the left ventricle has been outlined by an 各画像について、左心室は1つで概説されている。 0.59
experienced cardiologist and an associated binary image with the same size has been generated as the 経験豊富な心科医と,同じ大きさの2値画像が生成されている。 0.67
contour image, where pixels located on the contour of the left ventricle marked by the cardiologist have 左心室の輪郭にあるピクセルが心臓科医によってマークされている輪郭画像 0.75
value 1 while the remaining pixels have value 0. 値1、残りの画素は0である。 0.71
We consider each contour of the left ventricle as a sequential point set, which are counter- 左室の各輪郭を、対向点である逐次点集合とみなす。 0.52
clockwise sorted without loss of generality. 一般性を失うことなく 時計回りに並べました 0.48
In the original dataset, the contours marked by the 元のデータセットでは、輪郭がマークされている 0.72
cardiologists are commonly discontinuous “trajectories”, i.e., two consecutive points on a contour 心臓科医は一般的に不連続な「軌道」、すなわち輪郭上の2つの連続点である 0.61
probably fall outside the neighbourhood (a 3 × 3 mask centered by one pixel) of one another. おそらく、お互いの近所(ピクセル中心の3×3マスク)の外に落ちます。 0.69
In order to cater for the reinforcement learning setting defined in the next subsection, we have to first 院 次の節で定義した強化学習設定に対応するためには、まず、 0.53
refine the original contours by interpolating sufficient extra points between two consecutive ones that 2つの連続する点の間の十分な余分な点を補間することにより、元の輪郭を洗練する 0.53
英語(論文から抽出)日本語訳スコア
are non-adjacent to each other to meet the continuity requirement, i.e., any point on a contour 連続性要件、すなわち輪郭上の任意の点を満たすために互いに隣接していない 0.76
always have neighbours located within its 3×3 mask. 常に隣人が 3×3マスクの中にいる 0.64
After thoroughly inspecting all the contour すべての輪郭を徹底的に検査した後 0.57
images, we find that points on the original contours are densely located in vertical direction (i.e., two 画像 元の輪郭上の点が 垂直方向(つまり 2)に密着していることが分かりました 0.79
consecutive points are always located on two adjacent rows) while scarcely located in horizontal 連続した点は常に2列に並んでいるが、水平にはほとんど位置しない 0.61
direction (i.e., two consecutive points are rarely located on two adjacent columns). 方向(すなわち、2つの連続する点が隣接する2つの列に滅多にない) 0.72
Therefore, we can simply scan every two points on a contour and place extra points on every pixel on the row spacing したがって私たちは 単に輪郭上の2点をスキャンし、行間隔の各ピクセルに余分な点を置くだけでよい 0.72
between the two points. B. 2つの点の間に B。 0.70
Problem Definition Instead of supervised-learning- based image segmentation to highlight the left ventricle, we focus 問題定義 左室に焦点をあてる教師あり学習に基づくイメージセグメンテーションの代わりに 0.71
on human-like contouring that mimics how a cardiologist outlines the left ventricle in a cardiac image. 心臓科医が左心室を 心臓画像で概説する様子を模した
訳抜け防止モード: 人間に - どのように模倣するかを 心臓科医が左心室を心臓画像で概説します。
0.64
Since such a contour drawing process is simply moving a paintbrush along a specific trajectory, it can このような輪郭描画プロセスは、単に特定の軌道に沿って絵筆を動かすので、 0.71
be analogized to a path finding problem, where a robot explores the unseen world and tries to find its ロボットが目に見えない世界を探索し、それを見つけようとする経路発見問題に類似している 0.79
way along the object boundary. オブジェクト境界に沿って進みます。 0.71
In this sense, contouring the left ventricle in a cardiac image can be この意味では、左心室を心臓画像に収めることが可能である。 0.78
translated into a reinforcement learning problem, where an agent seeks to make the best decision, i.e., エージェントが最善の決定をしようとする強化学習問題、すなわち、強化学習問題に翻訳される。 0.73
a single-step movement, by interacting with an environment so as to travel as closely as possible to the できるだけ近くに移動するように環境と相互作用することで、一段階の動き 0.71
true contour. In the following part, the key elements of reinforcement learning framework for left 真の輪郭だ 以下の部分では、左の強化学習フレームワークの鍵となる要素について述べる。 0.59
ventricle contouring are formally defined. 心室結節は正式に定義されている。 0.47
1) Environment: An environment in left ventricle contouring can be defined as any 1) 環境:左室構成の環境を1つとして定義することができる。 0.75
cardiac image and its associated contour image. 心臓画像とその関連輪郭画像。 0.68
Here the whole cardiac image and the ここでは心臓全体像と 0.74
true contour of the left ventricle are unseen by the agent. 左室の真の輪郭は、エージェントによって見えない。 0.50
Every time the agent interacts エージェントが対話するたびに 0.83
with such an environment by taking a single action, a reward is given by the このような環境において、1つの行動をとることで、報酬が与えられる。 0.52
environment as the feedback to indicate how good that action was, based on which the その行動がどれほど良いかを示す フィードバックとなる環境は
訳抜け防止モード: フィードバックとしての環境 その行動がどれほど良いかを示すために
0.62
agent further updates its policy for a better decision, i.e., moving closer to the true エージェントは より良い判断のために 政策をさらに更新する つまり 真実に近づきつつある 0.75
contour. 2) State: In the reinforcement learning setting, a state iswhat the agent can observe, base 輪郭 2)状態:強化学習環境では、エージェントが観察できる状態がベースとなる。 0.54
on which it choose an appropriate action. 適切なアクションを選択します。 0.53
In this paper, we specify that, being located at 本稿では,その位置について述べる。 0.65
any pixel in a cardiac image, the agent can only myopically observe its surrounding 心臓画像中の任意のピクセルは、そのエージェントは、その周囲を神秘的にしか観察できない 0.58
sight rather than the whole image. 全体像ではなく視覚です 0.68
This is an analogy to a path-finding robot with これは、経路発見ロボットの類型です。 0.64
limited eyesight. We define the states as the N× N square mask centered by the pixel 視力制限 我々は、状態をピクセル中心のN×N平方マスクと定義する。 0.62
where agent is located. エージェントがいる場所だ 0.62
One advantage of such setting is that the policy network can be このような設定の利点の1つは、ポリシーネットワークが 0.79
英語(論文から抽出)日本語訳スコア
designed with a uniform structure since the input size is always N× N。 入力サイズは常にN×Nであるため、均一な構造で設計される。 0.73
3) Action: Since we analogize left ventricle contouring in a cardiac image to path finding 3) 作用:心画像中の左室結節を経路検索に類似させるため 0.76
in an unseen world, the agent’s one-step movement can be defined as the action. 目に見えない世界では、エージェントのワンステップ動作はアクションとして定義できる。 0.70
Here we specify that at each step, the agent takes an one-pixel move towards one of its eight ここ それぞれのステップで エージェントは8つのうちの1つに向かって 1ピクセル動きます 0.71
outbound direction and moves to one of its eight neighboring pixels. オフバウンド方向 隣り合う8つのピクセルの1つに移動します 0.72
Thus, the action a このようにして、アクションaは 0.54
with such definition is discrete and can be numbered with そのような定義では 個別であり 数字で表すことができます 0.55
Then with the agent’s surrounding sight defined as state, Markovian property holds for state そして エージェントの周囲の視野を状態として定義すると、マルコフのプロパティは状態を保持する 0.70
transition at each step, i.e., the next state depends only on the current one and the action 各ステップにおける遷移、すなわち次の状態は、現在の状態とアクションのみに依存する。 0.80
taken by the agent. エージェントに取られた 0.45
4) Reward and Total Return: At each step, the environment gives a reward back to the 4)報酬と総リターン:各ステップにおいて、環境は報酬を返却する 0.73
agent based on its action. エージェントは行動に基づいてる 0.64
Since it is more desirable for the agent to stay as close as なぜなら、エージェントができるだけ近くに留まるのが望ましいからである。 0.58
possible to the true contour while travelling, reward (denoted by rt for step t) can 旅行中に真の輪郭に到達でき、報酬(ステップ t で rt で示される)は 0.63
be defined as the negative distance between the agent’s current position (denoted by pt) エージェントの現在の位置の間の負の距離として定義される(ptで示される) 0.77
and the corresponding position on the true contour (denoted by p′t), i.e., そして、真輪郭上の対応する位置(p′tで示される)、すなわち 0.76
of negative distance over the entire episode, i.e., エピソード全体にわたる否定的な距離、すなわち 0.64
Therefore, the total return can be defined as the discounted sum したがって、総リターンをディスカウント金額と定義できる。 0.61
5)Episode Termination: In reinforcement learning frame- work, episode termination indicator is 5)エピソード終了:強化学習フレーム-作業では、エピソード終了指示器は 0.79
important as well. Normally, an episode can be terminated once the agent has finished the entire steps of 重要なことでもある 通常、エージェントがすべてのステップを完了したらエピソードを終了させることができる。 0.70
actions, the total number of which is equal to the length of the true contour. 作用、その総数は真の輪郭の長さに等しい。 0.47
However, an exception is that an the agent might have moved illegitimately outside the cardiac image before the episode ends ただし例外はある。 エピソードが終わる前に エージェントが 心臓画像の外に 不法に移動したかもしれない 0.70
normally, which is a common case at the early stage of model training when the agent is not sufficiently 通常、これは、エージェントが不十分な場合、モデルトレーニングの初期段階でよくあるケースです。 0.73
“smart” to follow the true contour. 真の輪郭に従うために“スマート”。 0.66
In this case, we specify that the episode is terminated in advance この場合、前もってそのエピソードが終了することを指定する。 0.73
and a reward of an extremely small negative value ( - 400 throughput the experiments) in this paper) is そして、この論文における非常に小さな負の値(400のスループット)の報酬は、 0.67
given to the agent as a penalty for the illegal movement. 違法な運動に対するペナルティとしてエージェントに与えられる。 0.66
英語(論文から抽出)日本語訳スコア
C. Policy Optimization The previous definition for the elements of reinforcement learning implies a stochastic policy for C. 政策最適化 強化学習の要素に対する以前の定義は、確率的政策を意味する。 0.72
left ventricle contouring in a cardiac image, i.e., the agent chooses its movement according to a 心臓画像で左心室を囲む、すなわち、エージェントはaに応じてその動きを選択する。 0.78
probability distribution, which is output by the policy network with the agent’s surrounding sight as 政策ネットワークによって出力される確率分布は、エージェントの周囲を見渡して出力される 0.87
input. We resort to proximal policy optimization (PPO) as the training algorithm: a policy-based 入力。 準政策最適化(PPO)をトレーニングアルゴリズムとして活用する:政策ベース 0.76
algorithm which aims at iteratively improving the policy with a relatively small update []. 比較的小さなアップデートでポリシーを反復的に改善することを目的としたアルゴリズム[]。 0.79
With the PPO algorithm, the policy network is iteratively updated to maximize a clipped surrogate objective function PPO アルゴリズム ポリシーネットワークは反復的に更新され、クリップされた代理目的関数を最大化する 0.49
defined as The PPO algorithm for left ventricle contouring is summarized in Algorithm 1, where Ti refers to 定義する 左室構成のためのPPOアルゴリズムは、Tiが参照するアルゴリズム1で要約される。 0.72
the total number of steps in episode trajectory τi, i.e., the contour length. エピソード軌道 τi のステップの総数、すなわち輪郭の長さ。 0.60
Here the stochastic policy for choosing a movement is trained in an on-policy manner following the “actor-critic” framework in ここでの確率的政策 運動の選択は「アクター批判」の枠組みに従って、政治的に訓練される 0.67
policy-based algorithms. ポリシーに基づくアルゴリズム。 0.67
In each iteration, one episode is run according to the up-to-date policy for 各イテレーションでは、最新ポリシーに従って1エピソードが実行される。 0.62
each training image such that a batch of experience trajectories are collected as training samples, base 各トレーニングイメージは、一連の経験軌跡をトレーニングサンプル、ベースとして収集する 0.80
on which the advantage is estimated. その利点は見積もられている。 0.56
Even with limited training dataset, diversity of the collected 限られたトレーニングデータセットでも 収集したデータの多様性は 0.59
episode trajectories can still be guaranteed by randomly choosing the agent’s starting point on a エピソードの軌跡は、エージェントの開始点をランダムに選択することによって保証できる。 0.71
contour in each iteration. それぞれのイテレーションで輪郭を作ります 0.55
Then the parameters of the policy network θ and value network φ are このとき、ポリシーネットワークθおよび値ネットワーク φのパラメータは、 0.83
alternately updated to maximize the surrogate objective function in (2) (“actor” update) and minimize 代理目的関数を (2) ("actor" 更新) で最大化し、最小化するために、交互に更新される 0.69
the mean- square-error between the estimated reward-to-go and the one predicted by the value network (“critic” 平均 評価報酬と価値ネットワークによる予測の2乗誤差(「批判」) 0.45
update) via stochastic gradient ascent/descent. 更新) 確率勾配昇降/減光による。 0.56
D. Generating Landing Spot D. 着陸地点の生成 0.68
英語(論文から抽出)日本語訳スコア
Following Algorithm 1, the agent’s policy can be iteratively improved such that it is hopefully able Algorithm 1の後、エージェントのポリシーは反復的に改善され、できれば期待できる。 0.75
to move close to the true contour after rounds of training. 訓練の後 真の輪郭に近づきます。 0.45
During training, the agent’s starting point is 訓練中、エージェントの出発点は、 0.51
randomly chosen on a true contour. 真の輪郭でランダムに選びました 0.60
However, this is unrealistic for testing stage since the true contour しかし、これは真の輪郭からテスト段階では非現実的である。 0.63
of an unseen cardiac image is inaccessible. 目に見えない心臓画像は アクセス不能です 0.71
Therefore, where the agent should start to move on an したがって、エージェントはどこから移動し始めるべきか。 0.74
unseen cardiac image still needs to be figured out. 未確認の心臓画像は まだ解明する必要があります 0.71
Apparently, the agent’s landing spot should be as どうやらエージェントの着陸地点は 0.35
close to the true contour as possible. できるだけ真の輪郭に近い。 0.56
Otherwise, if the landing spot is excessively far away from the true さもなければ、着陸地点が真から過度に離れている場合 0.75
contour, it is difficult for the agent to be back on track since its 輪郭は エージェントが 軌道に戻るのが 難しくて 0.44
surrounding sight in this case could be significantly different from what it observed during この場合の周囲の視界は、観察中のものとは大きく異なります 0.71
training. Intuitively, a deep-learning model can be trained to generate the coordinate of the agent’s 訓練だ 直感的には、ディープラーニングモデルはエージェントの座標を生成するように訓練できる。 0.68
appropriate landing spot. After inspecting all the cardiac images, we found that part of true 適切な着陸地点 すべての心像を検査した結果 真実の一部が判明しました 0.65
contours always falls into the upper-right quadrant without exception. 輪郭は例外なく常に右上の象限に入る。 0.66
Therefore, we only focus on the upper-right sub- image with uniform size 100×80 for each cardiac image. したがって、各心像に対して一様サイズ100×80の右上半像のみに焦点をあてる。 0.71
The landing spot generator then takes a sub-image as input and is expected to output a coordinate that is as 着陸 スポットジェネレータはサブイメージを入力として取り、そのままの座標を出力することが期待される 0.56
close to any point on the true contour as possible. できる限り真の輪郭のどの地点にも 近づきます 0.62
This can be done through training a supervised- これは教師の訓練によって実現できます。 0.51
learning model with the loss function defined as the mean minimum distance between the output 損失関数を出力間の最小距離として定義した学習モデル 0.83
英語(論文から抽出)日本語訳スコア
coordinate and that of any point on the true contour: 座標と真の輪郭上の任意の点の座標 0.62
refers to the distance between the output coordinate and the t-th point 出力座標とt点の間の距離を参照すること 0.80
on the true contour of a sub-image, Gψ(x) refers to the landing spot generator with ψ as parameters and sub-image 真の輪郭に サブ画像において、gψ(x) は ψ をパラメーターおよびサブ画像とするランディングスポット生成器を指す 0.68
x as input, Ti denotes the total length of the true contour that falls into the i-th sub-image and B x を入力とし、ti は i 番目の部分画像に収まる真の輪郭の総長さと b を表す
訳抜け防止モード: x を入力として、Ti は真の輪郭の全長を表す。 i - th sub - image と B
0.79
denotes the batch size. バッチサイズを表す。 0.58
In model training, due to the small size of our training set (32 as モデルトレーニングでは,トレーニングセットが小さかったため(32。 0.63
descried in Section IV -A), the entire training set instead of a batch (a small portion) can be fed 第4節 -A に記載されているように、バッチ(小部分)の代わりにトレーニングセット全体を供給することができる 0.66
into the model in each iteration of parameter update. パラメータ更新の各イテレーションでモデルに入力します。 0.81
Therefore, we resort to standard gradient したがって 標準的な勾配を頼りに 0.75
descent to training the model instead of the stochastic gradient descent: instead of being 確率的勾配の降下ではなく、モデルの訓練への降下: その代わりに 0.69
predefined as a static hyper- parameter, the learning rate is optimized through line search, e g , 静的ハイパーパラメータとして事前定義された学習速度は、線探索によって最適化される。 0.65
the secant method. secant メソッド。 0.54
Specifically, in iteration k of model training, the optimal learning rate λk is 具体的には、モデルトレーニングの繰り返し k において、最適学習率λk は、 0.75
determined by solving 解決によって決定される 0.47
The algorithm for training the landing spot generator is summarized in Algorithm 2. ランディングスポット生成器を訓練するためのアルゴリズムをアルゴリズム2で要約する。 0.76
Since only a sub-image with smaller size is required as the input and a small portion of a true 入力とtrueの小さな部分として、サイズが小さいサブイメージのみを必要とするため 0.83
contour is involved in the loss function, the landing spot generator adapts to different sizes of 輪郭は損失関数に関係し、着陸点生成器は異なる大きさに適応する 0.78
contour images and the training efficiency can be significantly enhanced even with limited 輪郭画像と訓練効率は 限界があっても 大幅に向上できる 0.83
training dataset. The output coordinate of the landing spot generator is not necessarily an integer one, 訓練用データセット ランディングスポット発生器の出力座標は必ずしも整数であるとは限らない。 0.76
which is probably the case. おそらくそうだろう。 0.35
Therefore, we simply round the output coordinate to its nearest one したがって、出力座標を最も近い座標に単純に丸める。 0.72
in the sub-image. in the sub‐image 0.84
Moreover, the output coordinate still has to be translated back to that in the さらに、出力座標は依然としてそれに戻さなければならない。 0.66
original (full- sized) cardiac image. オリジナル(フルサイズの)心臓画像。 0.75
This can be done by simply leaving the vertical coordinate これは垂直座標を単に残して行うことができる 0.86
unchanged while changing the horizontal coordinate x following 水平座標 x を変更しながら変化しない 0.83
英語(論文から抽出)日本語訳スコア
where Nx refers to the horizontal size of the original cardiac image. nxは元の心臓画像の水平サイズを表しています 0.67
A. Dataset VI EXPERIMENT A.データセット VI 実験 0.57
Our dataset is provided by the radiology department of a “triple-A-level” hospital in Beijing, 私たちのデータセットは、北京の“triple-a-level”病院の放射線科によって提供されています。 0.55
China. It contains 100 two-dimensional MRI cardiac images in total, which was collected from 60 中国。 全60枚から収集した2次元MRI心筋画像100枚を含む。 0.73
patients, and has non-uniform sizes of 患者は一様ではないサイズで 0.76
,respectively. Each cardiac image is associated with a contour image created by an 丁寧に。 それぞれの心像は、輪郭画像に関連付けられている 0.51
experienced cardiologist as the ground truth. 経験豊富な心臓科医を 根拠として 0.53
Throughput the experiment, 32 images are selected as the 実験の結果、32枚の画像が選択される。 0.74
training set, 8 as the validation set while the remaining 60 as the testing set. トレーニングセット、検証セットとして8、テストセットとして残りの60。 0.69
B Model Design In the experiment, we assume that the agent can only observe its surrounding sight within a 21× Bモデル設計 実験では、エージェントは周囲を21倍の範囲でしか観察できないと仮定する。 0.77
21 patch, which serves as the input of the policy network. 21 patchは、ポリシーネットワークの入力として機能する。 0.73
The network design of the policy network is 政策ネットワークのネットワークデザインは 0.63
given in Table I, which contains two convolution-pooling layers followed by three FC layers. テーブルiで与えられる2つの畳み込みプール層と3つのfc層を含む。 0.72
All the layers except the last one adopts “Relu” the activation function. すべて 最後のレイヤを除くレイヤは、アクティベーション関数“relu”を採用している。 0.54
Since the policy network outputs a ポリシーネットワークは a を出力するので 0.72
discrete probability distribution, which corresponds to the probability of moving towards one of the 確率分布; 確率分布; 確率分布; 確率分布; 確率分布; 確率分布 0.72
eight outbound direction with one-pixel step, the policy network ends with a “softmax” that outputs 1ピクセルのステップで8つのアウトバウンド方向、ポリシーネットワークは出力する“ソフトマックス”で終わる 0.76
eight probabilities. Similarly, the value network also takes the agent’s surrounding sight as input and outputs the 8つの確率 同様に、バリューネットワークはエージェントの周囲の視界を入力として、出力する。 0.67
prediction value of the surrounding sight to evaluate the state. 状態評価のための周辺視の予測値。 0.73
The value network is designed バリューネットワークは設計されています 0.57
following the structure shown in Table II, where comprises two convolution-pooling layers and three 表IIに示す2つの畳み込み層と3からなる構造に従う 0.80
FC layers. “Relu” still works as the activation function for all the layers except the last one. FC層。 relu”は、最後のレイヤを除いて、すべてのレイヤのアクティベーション関数として動作する。 0.70
英語(論文から抽出)日本語訳スコア
Structure of the landing spot generator described in Section III-D is shown in Table III. 第III-D節に記載されている着陸地点発生装置の構造を表IIIに示す。 0.72
The landing spot generator takes a sub-image with uniform size 100×80 as input and output the predicted ランディングスポット生成器は、入力として均一サイズ100×80のサブイメージを取得し、予測値を出力する 0.46
coordinate of the agent’s landing spot through three convolution-pooling layers followed by three fully 3つの畳み込みプール層から3つの完全に続くエージェントの着陸地点の座標 0.77
connected (FC) layers. “Relu” is selected as the activation function for all the layers except the last one. 接続層(FC)。 最後のレイヤを除くすべてのレイヤのアクティベーション関数として“Relu”が選択される。 0.75
C Landing Spot In this subsection, we evaluate the performance of the proposed landing spot generator. c着陸地点 本稿では,提案するランディングスポットジェネレータの性能評価を行う。 0.64
Due to the limited training 故に 限定訓練 0.59
英語(論文から抽出)日本語訳スコア
set of 32 cardiac images, data augmentation is first carried out by flipping each sub-image and its 32個の心臓画像のセット、データ拡張は、まず各サブ画像とその反転によって行われる 0.68
associated contour up-side-down such that the total number of training data is doubled to トレーニングデータの総数を2倍にする、関連する輪郭を上下に並べる 0.73
64. The training process with 1200 iterations is shown is Fig 2. 64. 1200イテレーションのトレーニングプロセスが図2で示されています。 0.82
Although the entire training set instead 代わりにトレーニングセット全体。 0.62
of only a batch is fed into the model, the decreasing trend in the training curve is still not stable due to モデルに供給されるバッチのみの場合、トレーニング曲線の減少傾向は依然として安定していない。 0.79
the non-convexity of the loss function defined in (4). (4)で定義される損失関数の非凸性。 0.81
However, Algorithm 2 still works well for both しかし、アルゴリズム2はどちらも相変わらずうまく機能する 0.70
training and validation sets, i.e., it converges after a few iterations of parameter update through gradient トレーニングと検証セット、すなわち、勾配を通してパラメータ更新を繰り返した後、収束する 0.70
descent with the optimal learning rate and generalization ability of the model improves fast. モデルの最適学習率と一般化能力による降下は急速に改善する。 0.85
For eight cardiac images from the testing set, Fig 3 demonstrates the agent’s landing spots テストセットの8つの心臓画像について、fig 3がエージェントの着陸地点をデモ 0.76
generated by the model specified in Table III, where the red outlines are the ground- truth contours and 赤い輪郭が真実の輪郭であるテーブルIIIで指定されたモデルによって生成される 0.79
the blue crosses are the generated landing spots. 青い十字架は 生成された着陸地点です 0.69
We can see that the the proposed landing spot generator 提案された着陸地点発電機は 0.55
works well after sufficient training. 十分な訓練の後 うまく機能します 0.65
The coordinate of the point it generates is always sufficiently close 生成する点の座標は常に十分近い 0.66
to the true contour, which makes the generated landing spot a very good start for the following steps in 真の輪郭へ 生成された着陸地点は 以下のステップで 非常に良いスタートとなる 0.75
left ventricle contouring. D. Contouring Performance 左心室結節。 d. コントーリング・パフォーマンス 0.59
Starting from the landing spot, the agent then sequentially makes its movement decision by 着陸地点から開始すると、エージェントは順次その移動決定を行う。 0.71
英語(論文から抽出)日本語訳スコア
following the policy network trained via Algorithm 1 to draw the contour of the left ventricle. アルゴリズム1を介して訓練された ポリシーネットワークに従って 左心室の輪郭を描きます 0.80
Throughout the experiments, the agent’s eyesight, i.e., the input of the policy network, is fixed at 実験を通じて、エージェントの視力、すなわちポリシーネットワークの入力は固定される。
訳抜け防止モード: 実験を通して、エージェントの視力、すなわち政策ネットワークの入力を観察する。 is fixed at...
0.67
a 21×21 square patch. 21×21角のパッチ。 0.71
Moreover, during the testing stage when the agent draws the contour さらに 試験段階では エージェントが輪郭を引いて 0.63
on an unseen cardiac image from the testing set, episode termination indicator is still necessary to テストセットからの 未確認の心臓画像では エピソード終了の指標は まだ必要です 0.77
be designed since the ground-truth contour is never known by the agent. 地底の輪郭がエージェントによって知られていないため設計する。 0.68
Therefore, we specify that an episode is terminated if the agent have moved into the 3×3 square patch centered by したがって、我々は エージェントが中心となる3×3の正方形パッチに移動した場合、エピソードが終了する 0.70
its first five positions on the contour, which indicates that the agent has finished contouring and 輪郭上の最初の5つの位置は、エージェントが輪郭を終えていることを示している。 0.58
returned to the vicinity of the landing spot (e g , a small area within which it started) since the 着陸地点(例えば、それが始まった小さな領域)の近傍に帰還した 0.58
contour of a left ventricle is normally with a shape of closed circle. 左室の輪郭は通常、閉じた円の形をしている。 0.74
During model training, eight positions on the true contour are randomly selected as the agent’s モデルトレーニング中、真の輪郭上の8つの位置がエージェントとしてランダムに選択される 0.76
starting points for each cardiac image, which leads to a total of 256 experience trajectories in each それぞれの心画像のスタートポイントは 合計256回の体験軌跡につながります 0.68
iteration for the entire 32 training images. 32の訓練画像の繰り返しです 0.59
In each iteration, gradient-descent-bas ed parameter update 各イテレーションにおいて、勾配差に基づくパラメータ更新 0.54
for policy and value networks (step 5 and 6 in Algorithm 1) is alternately carried out with each for 20 政策と価値のネットワーク(アルゴリズム1のステップ5と6)は、20のそれぞれで交互に実行される 0.84
times and the learning rate is exponentially decreased during training. トレーニング中の時間と学習率は指数関数的に減少する。 0.70
To improve training efficiency, 訓練効率を向上させる。 0.66
we conduct min-max normalization for the reward and z-score standardization for the advantage. 我々は報酬のためのmin-max正規化と利点のためのz-score標準化を行う。 0.57
Moreover, the network parameters are actually stored in each iteration only when the updated さらに、ネットワークパラメータは更新時にのみ各イテレーションに格納される。 0.76
parameters improve the aver-age total return achieved with the validation set. パラメータは検証セットで達成された平均値の総リターンを改善する。 0.65
The training process with 2000 iterations is demonstrated is Fig 4. 2000回のイテレーションのトレーニングプロセスは、図4です。 0.71
In general, Algorithm 1 is 一般に、アルゴリズム1は、 0.82
able to efficiently converge. 効率的に収束できます 0.70
However, it is still noticeable that the training process could be しかし、トレーニングプロセスが可能であることは、依然として注目に値する。 0.57
temporarily “trapped” in local optimums and the total return even drops in the first 200 iterations. ローカルの最適化では一時的に“トラッピング”され、最初の200回のイテレーションで全リターンが減少する。 0.62
This is a normal case in deep reinforcement learning tasks due to the randomly sampled episode これはランダムにサンプリングされたエピソードによる深層強化学習タスクの通常例である 0.75
trajectories. Moreover, it can be found that the total return reaches around −570 after convergence. 軌道だ さらに、トータルリターンは収束後に −570 に達することが分かる。 0.65
According to the contour images in the training set, the length of a contour amounts to 240 on トレーニングセットの輪郭画像によると、輪郭の長さは240オンになる。 0.65
average, which leads to a per-step deviation of less than 2.4 pixels on average away from the true 平均は、真から平均で2.4ピクセル未満の歩数ずれにつながる 0.66
contour. Considering the sizes of the cardiac images, this is a considerably convincing result in 輪郭 心臓画像の大きさを考えると これはかなり説得力のある結果です 0.57
practice due to inevitable uncertainty and randomness in object contouring, i.e., one human expert 物体配置における必然的不確実性と無作為性、すなわち一人の人間専門家による実践 0.60
cannot exactly duplicate a contour drawn by another one (even him-or-herself) for a same object. 同じ対象に対して、別の人物が描いた輪郭を(自分でも)正確に複製することはできない。
訳抜け防止モード: 他の人が描いた輪郭を正確に複製できない (彼でも) 同じオブジェクトに対して。
0.73
We consider two metrics for contouring performance evaluation: Dice score and Hausdorff 性能評価のための2つの指標について検討する: dice score と hausdorff 0.67
distance. Dice score is a typical performance indicator for image segmentation and is defined as 距離 ディススコアはイメージセグメンテーションの典型的なパフォーマンス指標であり、定義されている 0.55
英語(論文から抽出)日本語訳スコア
where Sp and Sg denote the point (pixel) sets of the predicted and ground-truth segmentations, ここで、Sp と Sg は予測された接地木分割の点(ピクセル)集合を表す。 0.57
respectively, and |.| represents the cardinality of a set, i.e., the total number of pixels in それぞれ |.| は集合の濃度、すなわちピクセルの総数を表す。
訳抜け防止モード: それぞれ |.| は集合の濃度、すなわち集合の濃度を表す。 ピクセル数の総数
0.62
the segment for this case. この場合のセグメント。 0.57
Hausdorff distance is an important metric for quantitative evaluation the ハウスドルフ距離は定量的評価の重要な計量である 0.80
distance between two sets of points and thus can be defined as a performance indicator to evaluate the 2組のポイント間の距離を評価のためのパフォーマンス指標として定義することができる。 0.74
similarity between two contours. It is defined as 2つの輪郭の類似性 と定義されている。 0.62
where G and P are the ground-truth and predicted contours, respectively, and d(g, p) represents the g と p はそれぞれ接地面と予測輪郭であり、d(g, p) は接地面を表す。 0.75
Euclidean distance between two points g and p. 2点 g と p の間のユークリッド距離。 0.73
With only 32 cardiac images as the training set, contouring performance is evaluated with a testing トレーニングセットとして32枚の心画像しか持たないコントゥーリング性能をテストで評価する。 0.78
set that contains 60 images. 60枚の画像を含むセット。 0.69
The visual result for contouring performance evaluation 性能評価のための視覚的な結果 0.80
with eight randomly selected testing images is shown in Fig 5, where the corresponding segmentation ランダムに選択された8つのテスト画像は、対応するセグメンテーションを示す図5に示されます
訳抜け防止モード: ランダムに選択された8つのテストイメージを図5に示す。 対応するセグメンテーションは
0.75
results are provided as well1. 結果は well1 も提供されます。 0.59
Although it is difficult to ensure exactly full consistency, the contours of 完全な一貫性を保証するのは困難ですが 輪郭は 0.67
the left ventricle generated via the proposed approach still maintain high resemblance to the ground- 提案されたアプローチによって生じる左心室は、依然として地上によく似ている 0.60
truth ones. As previously discussed, these results are reasonably convincing because an radiological 真実だ 先述したように、これらの結果は放射線学的に合理的である。 0.44
expert can never exactly duplicate the contour drawn previously even for the same cardiac image, which 専門家は以前に描かれた輪郭を 正確に複製することはできません 0.59
is analogous to the fact that one can never exactly duplicate his/her signature. 署名を正確に複製することはできないという事実と類似している。 0.55
The segmentation results shown in the last two columns of Fig 5 also illustrate competitive performance of the proposed セグメンテーション 図5の最後の2列に示されている結果も、提案した競争性能を示している。 0.54
approach in terms of object segmentation. オブジェクトセグメンテーションの観点でのアプローチ。 0.75
We compare the proposed approach with the existing U-net model, which is intended for medical 提案手法と既存の医療用u-netモデルとの比較を行った。
訳抜け防止モード: 提案手法を既存のU-ネットモデルと比較する。 医療のためのもので
0.86
image segmentation based on supervised learning. 教師付き学習に基づくイメージセグメンテーション。 0.69
The result of contouring performance comparison with コンチューリング性能の比較結果 0.59
the same training set of 32 images is summarized in Table IV. 同じ32枚の画像のトレーニングセットを表IVにまとめます。 0.76
Here data augmentation, which これがデータ拡張です。 0.68
triples the train set to 96 images through resizing/cropping to uniform size 208 × 162 with horizontal and 列車は、リサイズ/クロッピングにより96枚の画像に設定され、水平の208×162サイズになる。 0.56
vertical flipping, is optionally conducted for U-net model training. 垂直反転はオプションでU-netモデルのトレーニングを行う。 0.75
According to the numerical results in Table IV, the proposed reinforcement-learni ng-based approach 表IVの数値結果によると, 強化学習に基づく手法の提案 0.88
for left ventricle contouring achieves 92.6% in average Dice score and 5.784 in average Hausdorff 左室コントーリングは平均diceスコア92.6%、平均ハウスドルフ5.784を達成 0.63
distance, which is a satisfactory result, especially considering our limited training set of only 32 距離は満足のいく結果です 特に32の限られた訓練セットを考えると 0.70
英語(論文から抽出)日本語訳スコア
images. Table IV also shows that in general, the proposed approach outperforms the U-net model with 画像。 表IVはまた、提案手法が一般にU-netモデルよりも優れていることを示している。 0.62
limited training set. 限定トレーニングセット。 0.66
An exception is that the proposed approach falls a little behind (while is still 例外は、提案されたアプローチが(まだ)少し遅れていることだ。 0.72
comparable to) the U-net model with data augmentation in average Dice score. 比較) 平均Diceスコアにおけるデータ拡張を伴うU-netモデル。 0.74
Especially, for average Hausdorff distance, the proposed approach shows a significant advantage over the U-net model, 特に 平均ハウスドルフ距離、提案手法はU-netモデルに対して大きな優位性を示す。 0.52
even with data augmentation. データ拡張も必要です。 0.61
This can be well explained by how the proposed reinforcement-learni ng- これは、提案された強化学習の方法によってよく説明できる。 0.52
based approach works, i.e., it focuses on drawing the contour of an object instead of segmentation. ベースとなるアプローチは、セグメンテーションではなくオブジェクトの輪郭を描くことに焦点を当てている。 0.75
Fig. 6 illustrates the visual result of segmentation performance comparison on randomly selected images. フィギュア。 6は、ランダムに選択された画像に対するセグメンテーション性能比較の視覚結果を示す。 0.56
The last two columns show that with limited training set, the segmentation performance of the U-net model 最後の2つの列は、限られたトレーニングセットで、U-netモデルのセグメンテーション性能を示す。 0.68
(even with data augmentation) is less satisfactory on cardiac images with irregular plaques on (データ拡張でも)不規則なプラークが付いた心臓画像では満足できない 0.70
the left ventricles, where unexpected “grooves” and “holes” appear in the segmentation. 左心室は、予期せぬ「溝」と「穴」が分節に現れる。 0.64
In contrast, similar with Fig 5, left ventricles identified by the proposed approach are still highly consistent with the ground- 対照的に fig 5では, 提案法で同定された左室は地面と高度に一致している。 0.49
truth ones. This is still owed to the fact that the proposed reinforcement-learni ng-based approach 真実だ これは、強化学習に基づくアプローチの提案によるものである。 0.53
aims at drawing contours as close to the ground-truth ones as possible. できるだけ地平線に近い輪郭を描くことを目指す。 0.56
With well trained policy network in 十分に訓練された政策ネットワーク 0.74
the proposed approach, those irregular plaques never distract the agent in its movement decision making. 提案されたアプローチでは 不規則なプラークは エージェントの行動決定を 妨げない 0.67
V. CONCLUSION V.コンキュレーション 0.76
In this paper, we propose a new iterative and refined interactive segmentation method for medical 本稿では,医療用インタラクティブセグメンテーションの反復的かつ洗練された新しい手法を提案する。 0.73
images based on agent reinforcement learning. エージェント強化学習に基づく画像。 0.67
This method explores an interactive policy that iteratively この手法は反復的にインタラクティブなポリシーを探索する 0.70
combines the hints obtained by the agent to improve image segmentation performance. エージェントが取得したヒントを組み合わせることで、画像のセグメンテーション性能が向上する。 0.64
We focuse on the segmentation boundary problem of the target, and model the dynamic process of drawing the target 焦点を合わせる ターゲットのセグメンテーション境界問題とターゲットを描画する動的過程のモデル化 0.56
contour in a certain order as a Markov Decision Process (MDP) based on a deep reinforcement learning 深層強化学習に基づくマルコフ決定過程(mdp)としての一定の順序の輪郭 0.73
method. In the dynamic process of continuous interaction between the agent and the image, the agent tracks 方法。 エージェントとイメージの連続的な相互作用のダイナミックな過程において、エージェントは追跡する 0.75
the boundary point by point in order within a limited length range until the targets contour 目標が輪郭になるまで、限られた距離の範囲内で順番に境界点 0.84
英語(論文から抽出)日本語訳スコア
英語(論文から抽出)日本語訳スコア
is completely drawn. 完全に描かれています 0.54
In this process, the agent continuously adjusts its actions according to the rewards この過程において,エージェントは報酬に応じて動作を継続的に調整する 0.77
received, thereby achieving a more precise and finer segmentation boundary. 受信され、より正確でより細かいセグメンテーション境界を達成する。 0.65
At the same time, in each iteration process, the agent can quickly improve the segmentation performance. 同時に、それぞれに イテレーションプロセスでは、エージェントはセグメント化性能を迅速に改善できる。 0.66
Experimental results show that our method has a better segmentation effect on the left ventricle in a small number of medical 実験結果 我々の方法が 少数の医療で 左心室により良いセグメンテーション効果があることを示します 0.80
image data sets, especially in terms of segmentation boundaries, this method is better than existing 画像データセット、特にセグメンテーション境界では、この方法は既存のものより優れている 0.79
methods. In addition, our method can be easily applied to other challenging segmentation tasks 方法。 さらに,本手法は他の難解なセグメンテーションタスクにも容易に適用できる。 0.70
proposed in various practical applications. 様々な応用で提案されました 0.60
                                           ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。