論文の概要: A Deep RL based Framework for Targeted White Matter Tractography

• arxiv url: http://arxiv.org/abs/2608.12960v1
• Date: Thu, 13 Aug 2026 08:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.442651
• Title: A Deep RL based Framework for Targeted White Matter Tractography
• Title（参考訳）: 深部RLに基づくホワイトマタートラクトグラフィーのためのフレームワーク
• Abstract要約: 本稿では,強化学習と教師付き学習を統合したハイブリッドフレームワークを提案する。 我々は,TractoInferno, HCP, ISMRM-2015などのベンチマーク公開データセットに対する広範な検証を通じて,我々のフレームワークの有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fiber tractography's ability to reconstruct the brain's structural pathways, has made it a crucial component of modern neuroimaging, enabling detailed, non-invasive mapping of structural connectivity and supporting a wide range of neurological research and clinical applications. However, despite its importance, tractography remains a challenging task due to the inherent complexity of white matter structure and its susceptibility to false positives, which can lead to the misrepresentation of critical pathways. To overcome these limitations, in this thesis, we propose a hybrid framework that integrates reinforcement learning with supervised learning for refining RL policies, specifically tailored for tract-specific tractography. Notably, our framework does not rely on ground-truth fibers for training. Moreover, the tract-specific formulation bypasses the need for an explicit segmentation process, simplifying the overall pipeline. Our work includes two main contributions, each building upon the previous. First, we introduce a hybrid approach that combines reinforcement learning with supervised learning (specifically, GPT-based policy learning) to refine policies in a tract-specific context. Second, we propose a scalable framework for data-driven multi-policy fusion, which leverages the complementary strengths of multiple RL policies to improve tractography performance and robustness. We demonstrate the effectiveness of our framework through extensive validation on benchmark public datasets including TractoInferno, HCP, and ISMRM-2015, highlighting its ability to generalize across data sources and accurately reconstruct brain white matter tracts. We believe that these contributions represent significant advancements in the field of tractography, improving robustness, reliability, and accuracy while reducing dependence on ground-truth annotations.
• Abstract（参考訳）: 脳の構造的経路を再構築するファイバートラクトグラフィーの能力は、現代の神経イメージングの重要な要素となり、構造的接続の詳細な非侵襲的なマッピングを可能にし、幅広い神経学的研究と臨床応用を支援している。 しかし、その重要性にもかかわらず、ホワイトマター構造の本質的な複雑さと偽陽性への感受性のため、トラクトグラフィーは依然として困難な課題であり、臨界経路の誤表現につながる可能性がある。 これらの制約を克服するため,本論文では,強化学習と教師付き学習を統合したハイブリッドフレームワークを提案する。 特に、我々のフレームワークは、トレーニングのために地中繊維に依存していません。 さらに、トラクション固有の定式化は、明示的なセグメンテーションプロセスの必要性を回避し、パイプライン全体を単純化する。 私たちの仕事は2つの主要な貢献を含んでいます。 まず、強化学習と教師付き学習(特にGPTに基づく政策学習)を組み合わせて、トラクション固有の文脈でポリシーを洗練させるハイブリッドアプローチを導入する。 第2に,複数のRLポリシーの補完的強みを活用してトラクトログラフィ性能とロバスト性を向上させる,データ駆動型多言語融合のためのスケーラブルなフレームワークを提案する。 我々は,TractoInferno, HCP, ISMRM-2015などのベンチマーク公開データセットに対する広範な検証を通じて,我々のフレームワークの有効性を実証し,データソースをまたいで一般化し,脳白質領域を正確に再構築する能力を強調した。 これらの貢献は, トラクトグラフィー分野における重要な進歩を反映し, 強靭性, 信頼性, 正確性を向上するとともに, 接地トルースアノテーションへの依存を低減していると考えられる。

関連論文リスト

• ReinPath: A Multimodal Reinforcement Learning Approach for Pathology [33.03449962260981]
  強力な推論機能を備えた多モーダル・パロジ大言語モデルを提案する。 複雑な推論タスクをサポートするために特別に設計された,高品質な視覚的質問応答(VQA)データセットを構築した。 また,CLIPと比較して,下流のゼロショット画像分類タスクにおいて同等の性能を実現する。
  論文  参考訳（メタデータ） (2026-01-21T08:21:35Z)
• TractRLFusion: A GPT-Based Multi-Critic Policy Fusion Framework for Fiber Tractography [4.322225996748633]
  トラクトグラフィーにおける永続的な課題は、急激な接続を最小化しながら、白質のトラクトを正確に再構築することである。 我々はデータ駆動型融合戦略を通じて複数のRLポリシーを統合する新しいGPTベースのポリシー融合フレームワークであるTractRLFusionを提案する。 提案手法では, 効果的な政策融合のための2段階のトレーニングデータ選択プロセスを使用し, 続いて, 堅牢性と一般化性を高めるために, マルチクリティック微調整フェーズを用いる。
  論文  参考訳（メタデータ） (2026-01-20T12:26:38Z)
• Forging a Dynamic Memory: Retrieval-Guided Continual Learning for Generalist Medical Foundation Models [45.285970665585914]
  本稿では,継続的学習のための包括的枠組みを提案する。 モデル微調整のためのリアルタイムガイダンスを提供するマルチモーダル多層RAGシステムを用いる。 動的知識蒸留フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-15T08:09:40Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• On-Policy RL Meets Off-Policy Experts: Harmonizing Supervised Fine-Tuning and Reinforcement Learning via Dynamic Weighting [91.38734024438357]
  Supervised Fine-Tuning (SFT) と Reinforcement Learning (RL) は、大規模言語モデル(LLM)の能力の強化と振る舞いの整合化のための訓練後パラダイムである。 SFTとRLを統合する既存のアプローチは、確立された応答パターンを乱し、専門家データに過度に適合するリスクに直面することが多い。 動的重み付けによるオン・アンド・オフ・ポリティクス強化学習の制御可能な調和のためのフレームワークであるCHORDを提案する。
  論文  参考訳（メタデータ） (2025-08-15T11:20:03Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Tract-RLFormer: A Tract-Specific RL policy based Decoder-only Transformer Network [6.879358907713364]
  教師付き学習と強化学習の両方を利用したネットワークである Tract-RLFormer を提案する。 トラクション固有のアプローチを用いることで、従来のセグメンテーションプロセスをバイパスして、ネットワークは関心のトラクションを直接的に記述する。 われわれの手法は、脳の白質領域を正確にマッピングする能力を示し、トラクトグラフィーの飛躍的な進歩を示す。
  論文  参考訳（メタデータ） (2024-11-08T18:18:18Z)
• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• A Regularized Implicit Policy for Offline Reinforcement Learning [54.7427227775581]
  オフラインの強化学習は、環境とのさらなるインタラクションなしに、固定データセットから学習を可能にする。 フレキシブルだが十分に調整された完全実装ポリシーの学習を支援するフレームワークを提案する。 D4RLデータセットの実験とアブレーション研究により、我々のフレームワークとアルゴリズム設計の有効性が検証された。
  論文  参考訳（メタデータ） (2022-02-19T20:22:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。