ARIADNE：面向可信 coronary 血管造影分析的感知-推理协同框架

传统的像素级损失函数无法强制血管分割中的拓扑约束，导致血管树结构碎片化，尽管像素级准确率高。我们提出ARIADNE，一个将感知偏好对齐与基于强化学习的诊断推理耦合，以实现拓扑一致的狭窄检测的两阶段框架。感知模块采用DPO对Sa2VA视觉语言基础模型进行微调，使用Betti数约束作为偏好信号，将策略对齐至几何上完整的血管结构，而非像素级重叠指标。推理模块将狭窄定位建模为马尔可夫决策过程，包含显式的拒绝机制，自动推迟模糊解剖候选人如分叉和血管交叉，将目标从覆盖最大化转向可靠性优化。在1400例临床血管造影影像中，ARIADNE实现中心线Dice达到0.838，较几何基线方法将假阳性减少41%。外部验证在ARCADE和XCAD等多中心基准数据集上 confirms 跨采集协议的泛化能力。这标志着DPO在医学影像中实现拓扑对齐的首次应用，表明基于偏好的学习相对于结构约束可缓解拓扑违规，同时在介入心血管医学工作流程中保持诊断灵敏度。