【标题】Image Synthesis for Data Augmentation in Medical CT using DeepReinforcement Learning 【作者团队】Arjun Krishna, Kedar Bartake, Chuang Niu, Ge Wang, Youfang Lai, Xun Jia, Klaus Mueller 【研究机构】石溪大学 【发表时间】2021.3.18 【论文链接】原文链接 【推荐理由】本文来源于石溪大学研究团队，其集成样式转换（ST）方法和深度强化学习（DRL）方法，以克服训练神经网络所需的各种图像数据可用性很差的瓶颈。 深度学习在计算机断层（CT）图像重建方面显示出巨大的前景，特别是在低剂量成像和综合诊断方面。然而，这些优点与训练这些神经网络所需的各种图像数据的可用性很差。本文应用深度强化学习(DRL)方法克服这一瓶颈，该方法与样式转换(ST)方法相结合，其中DRL生成解剖形状，ST合成纹理细节。研究结果表明该方法具有很高的前景，以产生大量多样的新颖且解剖学上准确的高分辨率CT图像。该方法经过专门设计，可以处理很小的图像数据集，鉴于许多研究人员可利用的图像数据量通常很少，因此这是理想的选择。 图1：训练RL代理的两阶段方框图

内容中包含的图片若涉及版权问题，请及时与我们联系删除