A framework for dynamically training and adapting deep reinforcement learning models to different, low-compute, and continuously changing radiology deployment environments

要約

深層強化学習は医療画像分野で広く研究されていますが、これらのモデルのトレーニングと展開には通常、強力な GPU が必要です。
イメージング環境は急速に進化し、エッジ デバイスによって生成される可能性があるため、アルゴリズムは継続的に学習して変化する環境に適応し、低コンピューティングのデバイスに適応する必要があります。
この目的を達成するために、選択的経験再生ベースの生涯強化学習のために医療画像を圧縮およびノイズ除去する 3 つの画像コアセット アルゴリズムを開発しました。
全身の DIXON 水および DIXON 脂肪 MRI 画像に、近傍平均コアセット、近傍感度ベースのサンプリング コアセット、および最大エントロピー コアセットを実装しました。
3 つのコアセットはすべて、両方のイメージング環境にわたって、左膝、右転子、左腎臓、脾臓、肺の 5 つの解剖学的ランドマークの位置を特定する際に優れたパフォーマンスで 27 倍の圧縮を実現しました。
最大エントロピー コアセットは、従来の生涯学習フレームワークの $19.24\pm 50.77$ と比較して、平均距離誤差 $11.97\pm 12.02$ という最高のパフォーマンスを獲得しました。

要約(オリジナル)

While Deep Reinforcement Learning has been widely researched in medical imaging, the training and deployment of these models usually require powerful GPUs. Since imaging environments evolve rapidly and can be generated by edge devices, the algorithm is required to continually learn and adapt to changing environments, and adjust to low-compute devices. To this end, we developed three image coreset algorithms to compress and denoise medical images for selective experience replayed-based lifelong reinforcement learning. We implemented neighborhood averaging coreset, neighborhood sensitivity-based sampling coreset, and maximum entropy coreset on full-body DIXON water and DIXON fat MRI images. All three coresets produced 27x compression with excellent performance in localizing five anatomical landmarks: left knee, right trochanter, left kidney, spleen, and lung across both imaging environments. Maximum entropy coreset obtained the best performance of $11.97\pm 12.02$ average distance error, compared to the conventional lifelong learning framework’s $19.24\pm 50.77$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google