Localização fraca supervisionada do câncer de próstata usando aprendizado por reforço para imagens de RM bi-paramétricas

Neste artigo, propomos um sistema baseado em aprendizado por reforço fraco supervisionado para localização. Treinamos uma função controladora para localizar regiões de interesse dentro de uma imagem, introduzindo uma nova definição de recompensa que utiliza a probabilidade de classificação não binarizada, gerada por um classificador binário pré-treinado que classifica a presença de objetos em imagens ou recortes de imagens. O classificador de presença de objeto pode então informar ao controlador sobre a qualidade da sua localização, quantificando a probabilidade de a imagem conter um objeto. Essa abordagem nos permite minimizar qualquer potencial rotulagem ou viés humano propagado através da rotulagem humana para localização totalmente supervisionada. Avaliamos nossa abordagem proposta para a tarefa de localização de lesões cancerosas em um grande conjunto de dados de imagens de RM clínicas bi-paramétricas reais da próstata. Comparações com a localização fraca supervisionada de múltiplas instâncias, comumente usada, e com uma linha de base totalmente supervisionada mostram que nosso método proposto supera a aprendizagem de múltiplas instâncias e apresenta desempenho comparável à aprendizagem totalmente supervisionada, usando apenas rótulos de classificação em nível de imagem para treinamento.