Reinforcement learning-basierte Patchpriorisierung zur beschleunigten Segmentierung von hochauflösenden Endoskopievideodaten

Link:
Autor/in:
Beteiligte Personen:
  • Klaus, Maier-Hein
  • Deserno, Thomas M.
  • Handels, Heinz
  • Maier, Andreas
  • Palm, Christoph
  • Tolxdorff, Thomas
Verlag/Körperschaft:
Springer Vieweg
Erscheinungsjahr:
2022
Medientyp:
Text
Beschreibung:
  • 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 werden
    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.
Lizenz:
  • info:eu-repo/semantics/openAccess
Quellsystem:
Forschungsinformationssystem des UKE

Interne Metadaten
Quelldatensatz
oai:pure.atira.dk:publications/d95416d3-4847-4372-8782-ce7debd6521d