基于强化学习的肋间机器人超声成像自主路径规划
机器人学
2024-04-16 v1 机器学习
摘要
超声（US）已广泛应用于日常临床实践中，用于筛查内部器官和引导介入治疗。然而，由于皮下肋骨投射的声影，用于胸部应用的超声检查仍然具有挑战性。为了在超声中完全覆盖并重建感兴趣区域以进行诊断，需要一条肋间扫描路径。为了应对这一挑战，我们提出了一种强化学习方法，用于规划肋骨之间的扫描路径，以监测被肋骨覆盖的内部器官（如肝脏和心脏）上病灶的变化。人体骨骼的结构化解剖信息对于规划这些肋间路径至关重要。为了获得这种解剖洞察，在一个使用计算机断层扫描（CT）模板构建的虚拟环境中训练 RL 智能体，该环境具有随机初始化的各种形状和位置的肿瘤。此外，引入了特定于任务的状态表示和奖励函数，以确保训练过程的收敛，同时在扫描期间最小化声衰减和阴影的影响。为了验证所提方法的有效性，在具有随机定义的单个或多个扫描目标的未见过的 CT 上进行了实验。结果表明，所提出的 RL 框架在声学通道受限的区域规划无阴影超声扫描轨迹方面具有有效性。
引用
@article{arxiv.2404.09927,
title = {Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning},
author = {Yuan Bi and Cheng Qian and Zhicheng Zhang and Nassir Navab and Zhongliang Jiang},
journal= {arXiv preprint arXiv:2404.09927},
year = {2024}
}