【博士论文】学习自适应感知与主动学习

在本篇包含两部分的论文中，我们开发了使用机器学习来学习自适应/主动感知和主动学习方法的技术。在第一部分中，我们专注于加速磁共振成像（MRI）的感知策略。在第二部分中，我们开发了用于各种任务的主动学习方法。 具体而言，在第2章中，我们使用强化学习训练了首批深度主动学习感知策略之一，用于MRI子采样，可以适应患者的解剖结构。MRI是一种广泛使用的无创医学成像技术，其主要缺点是扫描时间较长，导致成本高且患者吞吐量低。像我们这样的感知策略可以通过在扫描过程中选择特别有用的测量集来加速MRI扫描，从而缓解这一问题。在第3章中，我们将方法扩展到更具临床相关性的并行MRI环境中，通过将采样操作引入到一个迭代重建网络。此外，我们改进的方法允许自适应感知策略与MRI重建模型的联合训练，这得益于训练过程的简化。 接下来，我们探讨学习主动学习策略的话题。主动学习是一种学习者（此处为机器学习模型）主动参与决定应学习哪些示例的过程。我们的工作侧重于训练一个独立模型来帮助指导这一学习过程的场景。在第4章中，我们开发了一个概念验证系统，用于学习能够适应特定数据环境变化的通用主动学习策略。在第5章中，我们研究了模拟器优化背景下的相关问题，其中我们训练一个策略来辅助优化，通过指导优化过程本身以及代理模型的训练来实现。