Active Sampling for MRI-based Sequential Decision Making

要約

磁気共鳴画像法（MRI）の優れた診断能力にもかかわらず、ポイントオブケア（POC）デバイスとしての使用は、高コストと複雑さによって制限されたままです。
磁場強度を減らすことにより、このような未来を有効にするために、1つの重要なアプローチはサンプリング戦略を改善することです。
以前の研究では、サンプルが少ないKスペースから直接診断的な決定を行うことが可能であることが示されています。
このような研究は、単一の診断決定を下すことができることを示していますが、MRIを真のPOCと見なすことを目指している場合、取得したサンプルの数を最小限に抑えながら複数の順次決定が必要です。
アンダーサンプリングされたKスペースデータからの包括的で順次の診断評価を可能にする新しい客観的な強化学習フレームワークを提示します。
推論中の私たちのアプローチは、積極的に順次決定に適応し、最適にサンプリングします。
これを達成するために、段階的な重み付け報酬機能を使用して、各診断目標に最適なサンプルを識別するトレーニング方法を紹介します。
ACLの捻rain検出と軟骨の厚さ損失評価という2つの連続した膝の病理評価タスクでアプローチを評価します。
私たちのフレームワークは、Kスペースサンプルを大幅に保存しながら、疾患の検出、重症度の定量化、および全体的な順次診断に関するさまざまな政策ベースのベンチマークと競争力のある診断パフォーマンスを達成します。
私たちのアプローチは、包括的で手頃な価格のPOCデバイスとして、MRIの将来への道を開きます。
私たちのコードは、https://github.com/vios-s/mri_ sequentive_active_samplingで公開されています

要約(オリジナル)

Despite the superior diagnostic capability of Magnetic Resonance Imaging (MRI), its use as a Point-of-Care (PoC) device remains limited by high cost and complexity. To enable such a future by reducing the magnetic field strength, one key approach will be to improve sampling strategies. Previous work has shown that it is possible to make diagnostic decisions directly from k-space with fewer samples. Such work shows that single diagnostic decisions can be made, but if we aspire to see MRI as a true PoC, multiple and sequential decisions are necessary while minimizing the number of samples acquired. We present a novel multi-objective reinforcement learning framework enabling comprehensive, sequential, diagnostic evaluation from undersampled k-space data. Our approach during inference actively adapts to sequential decisions to optimally sample. To achieve this, we introduce a training methodology that identifies the samples that contribute the best to each diagnostic objective using a step-wise weighting reward function. We evaluate our approach in two sequential knee pathology assessment tasks: ACL sprain detection and cartilage thickness loss assessment. Our framework achieves diagnostic performance competitive with various policy-based benchmarks on disease detection, severity quantification, and overall sequential diagnosis, while substantially saving k-space samples. Our approach paves the way for the future of MRI as a comprehensive and affordable PoC device. Our code is publicly available at https://github.com/vios-s/MRI_Sequential_Active_Sampling

arxiv情報

提供元, 利用サービス

arxiv.jp, Google