論文の概要: Reinforcement learning using Deep Q Networks and Q learning accurately
localizes brain tumors on MRI with very small training sets
- arxiv url: http://arxiv.org/abs/2010.10763v2
- Date: Fri, 19 Mar 2021 05:23:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 22:58:20.179410
- Title: Reinforcement learning using Deep Q Networks and Q learning accurately
localizes brain tumors on MRI with very small training sets
- Title（参考訳）: 深部QネットワークとQ学習を用いた強化学習は、非常に小さなトレーニングセットでMRI上の脳腫瘍を正確に局在させる
- Authors: Joseph N Stember, Hrithwik Shalu
- Abstract要約: 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。
- 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 Supervised deep learning in radiology suffers from notorious inherent
limitations: 1) It requires large, hand-annotated data sets, 2) It is
non-generalizable, and 3) It lacks explainability and intuition. We have
recently proposed Reinforcement Learning to address all threes. However, we
applied it to images with radiologist eye tracking points, which limits the
state-action space. Here we generalize the Deep-Q Learning to a gridworld-based
environment, so that only the images and image masks are required.
Materials and Methods We trained a Deep Q network on 30 two-dimensional image
slices from the BraTS brain tumor database. Each image contained one lesion. We
then tested the trained Deep Q network on a separate set of 30 testing set
images. For comparison, we also trained and tested a keypoint detection
supervised deep learning network for the same set of training / testing images.
Results Whereas the supervised approach quickly overfit the training data,
and predicably performed poorly on the testing set (11\% accuracy), the Deep-Q
learning approach showed progressive improved generalizability to the testing
set over training time, reaching 70\% accuracy.
Conclusion We have shown a proof-of-principle application of reinforcement
learning to radiological images, here using 2D contrast-enhanced MRI brain
images with the goal of localizing brain tumors. This represents a
generalization of recent work to a gridworld setting, naturally suitable for
analyzing medical images.
- Abstract（参考訳）: 目的 放射線学における深層学習は、悪名高い固有の限界に悩まされる。
1) 大きな手書きのデータセットが必要です。
2)非一般化であり、かつ
3)説明性や直観に欠ける。
我々は最近,3つの課題に対処する強化学習を提案している。
しかし,放射線医の眼球追跡点を用いた画像に応用し,状態空間を制限した。
ここでは,deep-q学習をグリッドワールド環境に一般化し,画像と画像マスクのみが必要となる。
材料と方法 私たちはBraTS脳腫瘍データベースから30枚の2次元画像スライスでDeep Qネットワークを訓練した。
それぞれの画像には1つの病変があった。
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。
また、同じトレーニング/テスト画像のセットに対して、キーポイント検出教師付きディープラーニングネットワークをトレーニングし、テストした。
結果: 教師付きアプローチはトレーニングデータに迅速に重きを置き, テストセットの精度 (11-% の精度) が低かったが, deep-q 学習では, テストセットの一般化性が向上し, 70-% の精度に到達した。
結語 放射線画像への強化学習の証明法として, 脳腫瘍の局所化を目的とした2次元造影MRI画像を用いた。
これは、医療画像の分析に適したグリッドワールド設定への最近の作業の一般化を表している。
関連論文リスト
- 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) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Joint Embedding of 2D and 3D Networks for Medical Image Anomaly
Detection [0.8122270502556374]
本研究では, 接合による3次元ネットワークの強度と2次元ネットワークの強度を組み合わせる手法を開発した。
提案手法は分類タスクと分割タスクの両方において,SoTA法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2022-12-21T11:28:52Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - 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) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳（メタデータ） (2021-04-04T20:30:14Z) - Rotation-Equivariant Deep Learning for Diffusion MRI [49.321304988619865]
畳み込みネットワークは成功しているが、最近は回転や翻訳で等価である新しいニューラルネットワークによってパフォーマンスが上がっている。
ここでは、6次元拡散MRIデータに一般化し、画像空間における3次元ロト変換と一致する3次元回転を$q$-スペースで保証する。
提案するニューラルネットワークは,非回転同変深層学習と比較して,より優れた結果を得るとともに,トレーニングのためのスキャンを少なくする。
論文 参考訳（メタデータ） (2021-02-13T15:18:34Z) - 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) - Deep reinforcement learning to detect brain lesions on MRI: a
proof-of-concept application of reinforcement learning to medical images [0.0]
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。
論文 参考訳（メタデータ） (2020-08-06T15:26:28Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳（メタデータ） (2020-06-20T17:56:46Z)
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。