TractOracle：面向 RL 基于 tractography 的解剖学信息奖励函数
机器学习
2024-03-27 v1
摘要
基于强化学习（RL）的 tractography 作为一种无需任何标注数据即可获得高解剖学准确性的机器学习和经典 tractography 方法中的竞争性替代方案。然而，迄今为止用于训练 RL 代理的奖励函数并未包含解剖学知识，导致代理生成伪造的假阳性 tracts。本文提出了新的 RL tractography 系统 TractOracle，其依赖于用于 streamline 分类的奖励网络。该网络既用作训练期间的奖励函数，也用作提前停止跟踪过程的手段，从而减少假阳性 streamline 的数量。这一方法独特之处在于同时对 WM streamline 进行评估和重构。我们在一个数据集上报告了 true positive 比例几乎提高 20%，假阳性比例减少约 3 倍；在另一个数据集上，true positive streamline 数量增加了 2 倍至 7 倍。
引用
@article{arxiv.2403.17845,
title = {TractOracle: towards an anatomically-informed reward function for RL-based tractography},
author = {Antoine Théberge and Maxime Descoteaux and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:2403.17845},
year = {2024}
}