医学影像分析的任务是协助医生对病变或解剖结构进行定性和定量分析，显著提高诊断和预后的准确性和可靠性。传统上，这些工作都是由医生或医学物理学家完成的，这导致了两个主要问题: (1) 效率低; (ii) 个人经验的偏见。在过去的十年中，许多机器学习方法被用于加速和自动化图像分析过程。与大量部署的有监督和无监督学习模型相比，在医学图像分析中使用强化学习的尝试非常少。本文可作为相关研究的基础。
从我们的观察来看，虽然强化学习在近年来逐渐兴起，但许多医学分析领域的研究人员发现，强化学习在诊所中很难理解和部署。一个原因是缺乏组织良好的综述文章，目标读者缺乏专业的计算机科学背景。本文并没有提供医学图像分析中所有强化学习模型的综合列表，而是帮助读者学习如何制定和解决他们的医学图像分析研究作为强化学习问题。
我们选择谷歌Scholar和PubMed发表的文章。考虑到相关文章的稀缺，我们也收录了一些优秀的最新预印本。根据图像分析任务的类型对论文进行了仔细的调研和分类。我们首先回顾了强化学习的基本概念和常用模型。然后，我们探讨了强化学习模型在地标检测中的应用。最后，我们通过讨论综述的强化学习方法的局限性和可能的改进来总结文章。
论文链接：
https://deepai.org/publication/reinforcement-learning-in-medical-image-analysis-concepts-applications-challenges-and-future-directions
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
这是一个专注于人工智能产品的导航站。
