强化学习在纤维追踪中的关键要素研究
机器学习
2023-05-19 v2 计算机视觉与模式识别
摘要
近来，深度强化学习（RL）被提出用于学习纤维追踪流程，并训练智能体在无人工标注参考流线的情况下重建白质结构。尽管所报告的性能具有竞争力，该框架较为复杂，且其多个组成部分的作用与影响尚鲜为人知。本工作中，我们深入探究了该框架的不同组件，如 RL 算法的选择、种子点策略、输入信号与奖励函数，并阐明其影响。本工作共训练约 7,400 个模型，累计近 41,000 小时 GPU 时间。我们的目标是通过揭示该类方法中哪些有效、哪些无效，来引导渴望探索深度 RL 用于纤维追踪的研究者。据此，我们最终提出一系列关于 RL 算法选择、智能体输入、奖励函数等方面的建议，以助未来利用强化学习进行纤维追踪的工作。我们还发布了开源代码库、训练好的模型与数据集，供欲探索纤维追踪强化学习的用户与研究者使用。
引用
@article{arxiv.2305.09041,
title = {What Matters in Reinforcement Learning for Tractography},
author = {Antoine Théberge and Christian Desrosiers and Maxime Descoteaux and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:2305.09041},
year = {2023}
}