Группа исследователей из Facebook AI Research и McGill University опубликовали state-of-the-art метод для активного сбора МРТ снимков, который использует обучение с подкреплением. По результатам экспериментов, предложенный подход обходит предыдущие state-of-the-art решения для активного сбора МРТ снимков.
Глубокое обучение для сбора МРТ
Методы глубокого обучения недавно начали использовать для задачи сбора снимка магнитно-резонансной томографии. Большинство существующих исследований фокусировались на дизайне моделей реконструкции на основе предопределенной траектории сбора. При этом исследования игнорировали вопрос оптимизации траектории. В Facebook AI Research и McGill University предлагают использовать обучение с подкреплением для поиска оптимальных траекторий сбора МРТ на основе фиксированной модели реконструкции изображения.
Подробнее про подход
Задачу сформулировали как последовательное принятие решений. В качестве алгоритма использовали Double Deep Q-Networks (DDQN). Модель обучали на части fastMRI датасета с МРТ снимками коленей.
Сравнение предложенного подхода с state-of-the-art
Подход сравнивали с альтернативными методами с помощью метрик MSE, NMSE, SSIM, PSNR. Предложенная модель обходит альтернативные подходы.
Кроме модели, исследователи опубликовали новую среду для обучения RL-агентов для задачи сбора МРТ.
