11、强化学习在医学图像分割中的应用

北京理工大学于2022年4月份发表的一篇用强化学习做协同分割任务的论文

本文首发于公众微信号-AI研究订阅号。   本节主要目的是介绍图像分割的一些基本概念。来源于东北大学 魏颖教授的模式识别课程笔记。 本节重点：1）图像分割的基本概念及图像分割分类的基础；2）边缘分割法；3）阈值分割法；4）区域分割法。 图像分割概述   人类视觉在观察和分析一幅图像时，总是首先将注意力集中在图像中的感兴趣的物体或区域，即将其从其他景物中分离开来，然后对其进行特征分析，再根据...

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达本文转载自：机器之心如何提高交互式图像分割算法的效率？上海交大和华师大的研究者提出了一种基于多智能体深度强化学习的新型...

近年来，计算机辅助医学诊断成为一个流行的跨学科研究领域 [7]， [8]， [33]。在临床实践中，通常从多模态磁共振成像 （MRI） 图像中分割出脑肿瘤，以支持医生准确制定诊断和治疗计划。然而，手动分割脑肿瘤是一个非常复杂的过程，医生需要花费大量时间。此外，分割精度主要取决于医生的经验。为了解决这些问题，已经提出了许多主要基于 CNN 网络的深度学习方法，可以从多模态 MRI 图像中自动分割脑肿瘤。

深度强化学习（DRL）在医学图像分割领域，特别是在低对比度和小医学对象的分割上，展现出了令人印象深刻的性能。然而，当前基于DRL的分割方法由于在两个独立阶段中优化误差传播的局限性，以及对大量标记数据的需求，面临着限制。在本文中，我们提出了一种新颖的深度生成对抗性强化学习（DGARL）方法，首次在DRL领域实现了端到端的半监督医学图像分割。DGARL巧妙地建立了一个将DRL和生成对抗网络（GANs）整合在一起的流程，优化了检测和分割任务，同时相互增强。

一、图像分割类别 随着深度学习的发展，在分割任务中出现了许多优秀的网络。根据实际分割应用任务的不同，可以大致将分割分为三个研究方向：语义分割、实例分割、全景分割。这三种分割在某种意义上是具有一定的联系的。 语义分割： 像素级别的语义分割，对图像中的每个像素都划分出对应的类别，即实现像素级别的分类； 实例分割： 类的具体对象，即为实例，那么实例分割不但要进行像素级别的分类，还需在具体的类别...

论文：Deep Reinforcement Learning for Weakly-Supervised Lymph Node Segmentation in CT Images Abstract：准确和自动化的淋巴结分割是定量评估疾病进展和潜在治疗的关键。淋巴结形态的复杂变化和获取体素式人工标注的困难使得淋巴结分割成为一项具有挑战性的任务。由于实体肿瘤反应评估标准(RECIST)注释(指示淋巴结的位置、长度和宽度)在医院数据档案中通常可用，我们提倡使用RECIST注释作为监督，从而将这一分割任务表述为弱监

内容概要： 采用的是 两步走的 Object detection的 深度学习框架，首先通过框架的第一部分的分支给出 目标 proposal； 然后 在proposal当中进行检测。 文章的的优点在于： proposal和 detection两部分共享大部分网络，网络精简 且效率高； 得到的proposal 数目更少，但是recall却非常的高；文章的准确度大幅度的提高；目前刚刚开源。

From: http://wanghaitao8118.blog.163.com/blog/static/13986977220153811210319/ accessed 2016-03-10 深度强化学习（Deep Reinforcement Learning）的资源 Google的Deep Mind团队2013年在NIPS上发表了一篇牛x闪闪的文章，亮瞎了好多人眼睛，不...

1.前言 深度学习已经在图像分类、检测、分割、高分辨率图像生成等诸多领域取得了突破性的成绩。但是它也存在一些问题。首先，它与传统的机器学习方法一样，通常假设训练数据与测试数据服从同样的分布，或者是在训练数据上的预测结果与在测试数据上的预测结果服从同样的分布。而实际上这两者存在一定的偏差，比如在测试数据上的预测准确率就通常比在训练数据上的要低，这就是过度拟合的问题。 另一个问题是深度学习

　　生物医学图像分割是许多医学应用中的重要任务。基于卷积神经网络的分割方法虽然精确度达到了state-of-the-art，但是通常需要依赖于带有大型标注数据集的监督训练。医学图像的标注需要大量的专业知识和时间，并且在大规模上是不可行的。为了解决缺乏标注数据的问题，研究人员通常使用人工预处理、手动调整架构和数据增强等技术。然而，这些技术涉及复杂的工程工作，并且通常针对特定的数...

深度学习与计算机视觉入门系列（下） 数据嗨客最近发布了一个深度学习系列，觉得还不错，主要对深度学习与计算机视觉相关内容做了系统的介绍，看了一遍，在这里做一下笔记。 目录 深度学习与计算机视觉入门系列（下） 目录 深度学习第8期：深度学习的常见框架 深度学习第9期：强化学习的基本概念 深度学习第10期：基于Q的强化学习（上） 深度学习第11期：基于Policy的强化学习 深度学习...

机器之心专栏作者：Xuan Liao、Wenhao Li等如何提高交互式图像分割算法的效率？上海交大和华师大的研究者提出了一种基于多智能体深度强化学习的新型算法。现有的交互式图像分割算法...

最近在研究全卷积神经网络在图像分割方面的应用，因为自己是做医学图像处理方面的工作，所以就把一个基于FCN（全卷积神经网络）的神经网络用 keras 实现了，并且用了一个医学图像的数据集进行了图像分割。全卷积神经网络大名鼎鼎的FCN就不多做介绍了，这里有一篇很好的博文 http://www.cnblogs.com/gujianhan/p/6030639.html。 不过还是建议把论文读一下，这样才能

CNN图像语义分割基本上是这个套路： 下采样+上采样：Convlution + Deconvlution／Resize 多尺度特征融合：特征逐点相加／特征channel维度拼接 获得像素级别的segement map：对每一个像素点进行判断类别 即使是更复杂的DeepLab v3+依然也是这个基本套路。 Image Segmentation（图像分割）网络结构比较 网络 ...