TractRLFusion：基于 GPT 的多Critic策略融合框架用于纤维追踪
机器学习
2026-01-21 v1 人工智能
摘要
纤维追踪在非侵入性重建白质纤维通路方面发挥着关键作用，为脑连接性提供重要信息，支持精确的神经外科手术规划。虽然传统方法主要依赖经典的确定性和概率方法，但近期进展得益于监督式深度学习（DL）和深度强化学习（DRL），以提高纤维追踪质量。纤维追踪的一个持续挑战是准确重建白质纤维束，同时最小化虚假连接。为此，我们提出了TractRLFusion，一种 novel 的基于 GPT 的策略融合框架，通过数据驱动的融合策略整合多个 RL 策略。该方法采用两阶段训练数据选择流程，以实现有效的策略融合，随后进行多Critic微调阶段以增强鲁棒性和泛化能力。在HCP、ISMRM和TractoInferno数据集上的实验表明，TractRLFusion在准确性和解剖可靠性方面均优于单个RL策略以及最先进的经典和DRL方法。
引用
@article{arxiv.2601.13897,
title = {TractRLFusion: A GPT-Based Multi-Critic Policy Fusion Framework for Fiber Tractography},
author = {Ankita Joshi and Ashutosh Sharma and Anoushkrit Goel and Ranjeet Ranjan Jha and Chirag Ahuja and Arnav Bhavsar and Aditya Nigam},
journal= {arXiv preprint arXiv:2601.13897},
year = {2026}
}
备注
Accepted at 23rd IEEE International Symposium on Biomedical Imaging (ISBI), 2026