論文の概要: Unsupervised deep clustering and reinforcement learning can accurately
segment MRI brain tumors with very small training sets
- arxiv url: http://arxiv.org/abs/2012.13321v2
- Date: Fri, 19 Mar 2021 05:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 08:25:45.866665
- Title: Unsupervised deep clustering and reinforcement learning can accurately
segment MRI brain tumors with very small training sets
- Title（参考訳）: 教師なし深層クラスタリングと強化学習は、非常に小さなトレーニングセットでmri脳腫瘍を正確にセグメント化できる
- Authors: Joseph Stember, Hrithwik Shalu
- Abstract要約: 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。
- 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: Lesion segmentation in medical imaging is key to evaluating
treatment response. We have recently shown that reinforcement learning can be
applied to radiological images for lesion localization. Furthermore, we
demonstrated that reinforcement learning addresses important limitations of
supervised deep learning; namely, it can eliminate the requirement for large
amounts of annotated training data and can provide valuable intuition lacking
in supervised approaches. However, we did not address the fundamental task of
lesion/structure-of-interest segmentation. Here we introduce a method combining
unsupervised deep learning clustering with reinforcement learning to segment
brain lesions on MRI.
Materials and Methods: We initially clustered images using unsupervised deep
learning clustering to generate candidate lesion masks for each MRI image. The
user then selected the best mask for each of 10 training images. We then
trained a reinforcement learning algorithm to select the masks. We tested the
corresponding trained deep Q network on a separate testing set of 10 images.
For comparison, we also trained and tested a U-net supervised deep learning
network on the same set of training/testing images.
Results: Whereas the supervised approach quickly overfit the training data
and predictably performed poorly on the testing set (16% average Dice score),
the unsupervised deep clustering and reinforcement learning achieved an average
Dice score of 83%.
Conclusion: We have demonstrated a proof-of-principle application of
unsupervised deep clustering and reinforcement learning to segment brain
tumors. The approach represents human-allied AI that requires minimal input
from the radiologist without the need for hand-traced annotation.
- Abstract（参考訳）: 目的: 医療画像における病変分画は治療反応の評価の鍵となる。
近年,放射線画像に強化学習を適用して病変の局所化を図っている。
さらに,強化学習は教師付き深層学習の重要な制限、すなわち大量の注釈付きトレーニングデータの必要性をなくし,教師付きアプローチに欠ける貴重な直観を与えることができることを示した。
しかし, 病変・構造区分の基本的な課題には対処しなかった。
本稿では、教師なしのディープラーニングクラスタリングと強化学習を組み合わせて、MRI上の脳病変を分割する手法を提案する。
材料と方法:まず教師なしのディープラーニングクラスタリングを用いて画像をクラスタリングし,MRI画像毎の候補病変マスクを生成する。
ユーザーは10枚のトレーニング画像ごとにベストマスクを選択する。
その後,マスク選択のための強化学習アルゴリズムをトレーニングした。
トレーニング済みの深度Qネットワークを,10枚の画像の別個のテストセットでテストした。
また、同じトレーニング/テスト画像のセット上で、U-netで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: 教師なしアプローチは, トレーニングデータに迅速に適合し, テストセットで予測精度が低い(平均Diceスコア16%)のに対して, 教師なし深層クラスタリングと強化学習は平均Diceスコア83%を達成した。
結語:我々は脳腫瘍セグメントに対する教師なし深層クラスタリングと強化学習の原理実証的応用を実証した。
このアプローチは、手書きの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、人間によるAIを表す。
関連論文リスト
- Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - 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) - 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) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2022-11-01T07:41:03Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Self-Supervised-RCNN for Medical Image Segmentation with Limited Data
Annotation [0.16490701092527607]
ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。
我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。
異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2022-07-17T13:28:52Z) - 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) - 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) - 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) - 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)
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。