Zusammenfassung
Bei endoskopischen Computer-Vision-Anwendungen sind Echtzeitverarbeitung der Videodaten sowie geringe Latenzen für einen praktischen klinischen Einsatz maßgeblich. Gleichzeitig führt die kontinuierliche Hardwareweiterentwicklung zu einer stetigen Verbesserung der Bildauflösung. Eingangsbilddaten hoher Auflösung erfordern i. d. R. eine patchweise Verarbeitung, wobei durch Patch-Priorisierungsstrategien die Verarbeitung der Daten beschleunigt und Latenzen reduziert werden können. Mit der Bildsegmentierung als Beispielaufgabe wird im vorliegenden Beitrag untersucht, wie das Patch-Sampling zur Inferenzzeit als Reinforcement Learning (RL)-Problem formuliert warden kann. Anhand von synthetischen und realen Daten wird gezeigt, dass durch das entwickelte RL-basierte Patch-Priorisierungsmodell (PPM) eine beschleunigte Segmentierung relevanter Bildregionen realisiert werden kann.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Schmitz R, Werner R, Repici A, Bisschops R, Meining A, Zornow M et al. Artificial intelligence in GI endoscopy: stumbling blocks, gold standards and the role of endoscopy societies. Gut. 2021:gutjnl–2020–323115.
Repici A, Badalamenti M, Maselli R, Correale L, Radaelli F, Rondonotti E et al. Efficacy of real-time computer-aided detection of colorectal neoplasia in a randomized trial. en. Gastroenterology. 2020;159(2):512–520.e7.
Zimmermann-Fraedrich K, Groth S, Sehner S, Schubert S, Aschenbeck J, Mayr M et al. Effects of two instrument-generation changes on adenoma detection rate during screening colonoscopy: results from a prospective randomized comparative study. en. Endoscopy. 2018;50(09):878–85.
Mendel R, Ebigbo A, Probst A, Messmann H, Palm C. Barrett’s esophagus analysis using convolutional neural networks. Proc BVM. 2017:80–5.
Groof AJ de, Struyvenberg MR, Putten J van der, Sommen F van der, Fockens KN, Curvers WL et al. Deep-learning system detects neoplasia in patients with barrett’s esophagus with higher accuracy than endoscopists in a multistep training and validation study with benchmarking. en. Gastroenterology. 2020;158(4):915–929.e4.
Madesta F, Schmitz R, Rösch T, Werner R. Widening the focus: biomedical image segmentation challenges and the underestimated role of patch sampling and inference strategies. MICCAI. 2020;12264:289–98.
Jha D, Smedsrud PH, Riegler MA, Halvorsen P, Lange T de, Johansen D et al. Kvasir-seg: a segmented polyp dataset. International Conference on Multimedia Modeling. Springer. 2020:451–62.
Mnih V, Badia AP, Mirza M, Graves A, Lillicrap T, Harley T et al. Asynchronous methods for deep reinforcement learning. Proc Int Conf Mach Learn. 2016;48:1928–37.
Mnih V, Kavukcuoglu K, Silver D, Rusu AA, Veness J, Bellemare MG et al. Human-level control through deep reinforcement learning. Nature. 2015;518(7540):529–33.
Schulman J, Wolski F, Dhariwal P, Radford A, Klimov O. Proximal policy optimization algorithms. 2017.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this paper
Cite this paper
Schüttler, S., Madesta, F., Rösch, T., Werner, R., Schmitz, R. (2022). Reinforcement learning-basierte Patchpriorisierung zur beschleunigten Segmentierung von hochauflösenden Endoskopievideodaten. In: Maier-Hein, K., Deserno, T.M., Handels, H., Maier, A., Palm, C., Tolxdorff, T. (eds) Bildverarbeitung für die Medizin 2022. Informatik aktuell. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-36932-3_69
Download citation
DOI: https://doi.org/10.1007/978-3-658-36932-3_69
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-36931-6
Online ISBN: 978-3-658-36932-3
eBook Packages: Computer Science and Engineering (German Language)