Weakly supervised localisation of prostate cancer using reinforcement learning for bi-parametric MR images

要約

この論文では、位置特定のための強化学習ベースの弱教師システムを提案します。
画像または画像クロップ内のオブジェクトの存在を分類する事前トレーニング済みのバイナリ分類器によって生成される、非二値化分類確率を利用する新しい報酬定義を導入することにより、画像内の対象領域を位置特定するコントローラー関数をトレーニングします。
次に、物体存在分類器は、画像に物体が含まれる可能性を定量化することによって、その位置特定品質をコントローラに通知することができる。
このようなアプローチにより、完全に監視された位置特定のために、潜在的なラベリングや人間のラベリングを介して伝播される人間のバイアスを最小限に抑えることができます。
我々は、前立腺の実際の臨床バイパラメトリック MR 画像の大規模なデータセット上で癌病巣の位置を特定するタスクに対して提案したアプローチを評価します。
一般的に使用されるマルチインスタンス学習の弱教師ありローカライゼーションと完全教師ありベースラインとの比較は、私たちが提案する方法がマルチインスタンス学習を上回り、トレーニングに画像レベルの分類ラベルのみを使用する完全教師あり学習と同等のパフォーマンスを発揮することを示しています。

要約(オリジナル)

In this paper we propose a reinforcement learning based weakly supervised system for localisation. We train a controller function to localise regions of interest within an image by introducing a novel reward definition that utilises non-binarised classification probability, generated by a pre-trained binary classifier which classifies object presence in images or image crops. The object-presence classifier may then inform the controller of its localisation quality by quantifying the likelihood of the image containing an object. Such an approach allows us to minimize any potential labelling or human bias propagated via human labelling for fully supervised localisation. We evaluate our proposed approach for a task of cancerous lesion localisation on a large dataset of real clinical bi-parametric MR images of the prostate. Comparisons to the commonly used multiple-instance learning weakly supervised localisation and to a fully supervised baseline show that our proposed method outperforms the multi-instance learning and performs comparably to fully-supervised learning, using only image-level classification labels for training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google