探索基于 RL 的 TractOracle 方法的鲁棒性
机器学习
2026-05-27 v2
摘要
脑白质纤维结构的追踪算法利用扩散 MRI 重建。 在机器学习方法中，强化学习 (RL) 已成为脑白质纤维追踪的引人注目的框架， 在多个关键方面 outperform 了传统方法。 TractOracle-RL 是一种最近的基于 RL 的方法，通过奖励机制将解剖先验纳入训练过程，从而减少假阳性。 本文通过整合最新进展，探索了原 TractOracle-RL 框架的四种扩展，并在五个多样化扩散 MRI 数据集上评估其性能。结果表明，无论使用何种方法或数据集，都始终将 oracle 与 RL 框架结合，能够实现稳健可靠的脑白质纤维追踪。我们还引入一种新颖的 RL 训练方案，称为迭代奖励训练 (IRT)，灵感来自强化学习从人类反馈 (RLHF) 范例。IRT 不依赖人类输入，而是利用束过滤方法在训练期间迭代细化 oracle 的指导。实验结果表明，使用 oracle反馈训练的 RL方法 在准确性和解剖有效性方面显著优于常用脑白质纤维追踪技术。
引用
@article{arxiv.2507.11486,
title = {Exploring the robustness of TractOracle methods in RL-based tractography},
author = {Jeremi Levesque and Antoine Théberge and Maxime Descoteaux and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:2507.11486},
year = {2026}
}
备注
38 pages, 8 figures. Submitted to Medical Image Analysis