論文の概要: Deep reinforcement learning to detect brain lesions on MRI: a
proof-of-concept application of reinforcement learning to medical images
- arxiv url: http://arxiv.org/abs/2008.02708v1
- Date: Thu, 6 Aug 2020 15:26:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 07:11:49.091432
- Title: Deep reinforcement learning to detect brain lesions on MRI: a
proof-of-concept application of reinforcement learning to medical images
- Title(参考訳): mriによる脳病変検出のための深部強化学習 : 医学画像への強化学習の概念実証
- Authors: Joseph Stember, Hrithwik Shalu
- Abstract要約: 我々は脳腫瘍の位置を予測するために深層強化学習ネットワークを訓練する。
結果: 強化学習予測は訓練中に継続的に改善され, 教師付き深層学習予測は急速に変化した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: AI in radiology is hindered chiefly by: 1) Requiring large annotated
data sets. 2) Non-generalizability that limits deployment to new scanners /
institutions. And 3) Inadequate explainability and interpretability. We believe
that reinforcement learning can address all three shortcomings, with robust and
intuitive algorithms trainable on small datasets. To the best of our knowledge,
reinforcement learning has not been directly applied to computer vision tasks
for radiological images. In this proof-of-principle work, we train a deep
reinforcement learning network to predict brain tumor location.
Materials and Methods: Using the BraTS brain tumor imaging database, we
trained a deep Q network on 70 post-contrast T1-weighted 2D image slices. We
did so in concert with image exploration, with rewards and punishments designed
to localize lesions. To compare with supervised deep learning, we trained a
keypoint detection convolutional neural network on the same 70 images. We
applied both approaches to a separate 30 image testing set.
Results: Reinforcement learning predictions consistently improved during
training, whereas those of supervised deep learning quickly diverged.
Reinforcement learning predicted testing set lesion locations with 85%
accuracy, compared to roughly 7% accuracy for the supervised deep network.
Conclusion: Reinforcement learning predicted lesions with high accuracy,
which is unprecedented for such a small training set. We believe that
reinforcement learning can propel radiology AI well past the inherent
limitations of supervised deep learning, with more clinician-driven research
and finally toward true clinical applicability.
- Abstract(参考訳): 目的: 主に放射線学におけるAIが妨げられている。
1) 大きな注釈付きデータセットを必要とする。
2)新しいスキャナや機関への展開を制限する非汎用性。
そして
3)不十分な説明可能性と解釈可能性。
私たちは、小さなデータセットでトレーニング可能な堅牢で直感的なアルゴリズムで、強化学習が3つの欠点すべてに対処できると考えている。
我々の知る限りでは、放射線画像のコンピュータビジョンタスクには強化学習が直接適用されていない。
本研究では,脳腫瘍の位置を予測するために,深層強化学習ネットワークを訓練する。
材料と方法:BraTS脳腫瘍画像データベースを用いて,70個の造影T1強調2次元画像スライスを用いた深部Qネットワークを訓練した。
われわれは画像検索に協力し,病変の局所化を図った報奨と処罰を行った。
教師付きディープラーニングと比較するために、同じ70画像上でキーポイント検出畳み込みニューラルネットワークを訓練した。
両アプローチを別個の30の画像テストセットに適用した。
結果: 強化学習予測は訓練中に継続的に改善され, 教師付き深層学習予測は急速に変化した。
強化学習は, 教師付き深層ネットワークでは約7%の精度で, 85%の精度で病変位置を予測した。
結語:強化学習は、このような小さな訓練セットでは前例のない精度で病変を予測した。
我々は、強化学習が、教師付き深層学習の本質的な限界を克服し、より臨床主導の研究を行い、最終的に真の臨床応用に向けて、放射線学AIを推進できると考えている。
関連論文リスト
- Verified Neural Compressed Sensing [58.98637799432153]
精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。
極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。
ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
論文 参考訳(メタデータ) (2024-05-07T12:20:12Z) - Are Deep Learning Classification Results Obtained on CT Scans Fair and
Interpretable? [0.0]
ほとんどの肺結節分類論文は、ディープラーニングを用いてランダムにシャッフルし、それをトレーニング、検証、テストセットに分割する。
対照的に、厳密な患者レベルの分離で訓練されたディープニューラルネットワークは、新しい患者画像が検査された場合でも、正確性を維持する。
厳密な患者レベルの分離で訓練されたディープニューラルネットワークの活性化のヒートマップの可視化は、関連する結節に対する集中度が高いことを示している。
論文 参考訳(メタデータ) (2023-09-22T05:57:25Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳(メタデータ) (2022-03-28T20:29:50Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - Evaluating the Robustness of Self-Supervised Learning in Medical Imaging [57.20012795524752]
自己監督は、小さな注釈付きデータセット上でターゲットタスクを訓練する際の効果的な学習戦略であることを示した。
本研究では,自己監視学習によって訓練されたネットワークが,医療画像の文脈における完全監視学習と比較して,堅牢性と汎用性に優れていることを示した。
論文 参考訳(メタデータ) (2021-05-14T17:49:52Z) - Deep reinforcement learning-based image classification achieves perfect
testing set accuracy for MRI brain tumors with a training set of only 30
images [0.0]
画像分類のための強化学習を導入する。
特に腫瘍を含む2次元MRI画像に対するアプローチについて検討した。
論文 参考訳(メタデータ) (2021-02-04T21:31:22Z) - Unsupervised deep clustering and reinforcement learning can accurately
segment MRI brain tumors with very small training sets [0.0]
我々は,非教師付き深層クラスタリングと強化学習を脳腫瘍セグメントに応用する原理実証実験を行った。
このアプローチは、手引きアノテーションを必要とせずに放射線科医からの最小限の入力を必要とする人間同盟AIを表します。
論文 参考訳(メタデータ) (2020-12-24T16:46:45Z) - Reinforcement learning using Deep Q Networks and Q learning accurately
localizes brain tumors on MRI with very small training sets [0.0]
放射線学の深層学習は、悪名高い固有の限界に悩まされている。
我々はBraTS脳腫瘍データベースから30枚の2次元画像スライスを用いてDeep Qネットワークを訓練した。
次に、トレーニングされたDeep Qネットワークを、30のテストセットイメージの別セットでテストしました。
論文 参考訳(メタデータ) (2020-10-21T05:00:04Z) - An improved 3D region detection network: automated detection of the 12th
thoracic vertebra in image guided radiation therapy [0.09786690381850356]
本稿では,3次元体積データから解剖学的構造を検出するための新しい3次元完全畳み込みネットワーク(FCN)を提案する。
我々のアプローチは、画像誘導放射線治療の安全性を向上させるために、臨床ワークフローに統合される大きな可能性を秘めている。
論文 参考訳(メタデータ) (2020-03-26T21:41:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。