智能机器人超声医师：基于互信息的少样本解耦奖励学习
机器人学
2023-11-30 v2 人工智能
摘要
超声（US）成像因其实时、无辐射的优势，被广泛用于内部器官的生物测量与诊断。然而，由于操作者之间的差异，所得图像高度依赖于超声医师的经验。本工作提出一种智能机器人超声医师，通过从专家处学习，自主“探索”目标解剖结构并将超声探头导航至相关二维平面。专家背后的高层生理学知识由一个神经奖励函数推断，该函数以自监督方式采用排序的图像两两比较方法。此过程可称为理解“超声成像的语言”。考虑到克服患者间差异的泛化能力，由一个网络估计互信息，以在潜空间中显式解耦任务相关特征与领域特征。机器人定位基于与B超图像相关的预测奖励以由粗到精的模式进行。为验证所提奖励推断网络的有效性，分别在血管体模（“线”目标）、两类离体动物器官（鸡心与羊肾）体模（“点”目标）以及活体人颈动脉上进行了代表性实验。为进一步验证自主采集框架的性能，在三种体模（血管、鸡心与羊肾）上进行了物理机器人采集。结果表明，所提先进框架可稳健地作用于多种已见与未见体模以及活体人颈动脉数据。
引用
@article{arxiv.2307.03705,
title = {Intelligent Robotic Sonographer: Mutual Information-based Disentangled Reward Learning from Few Demonstrations},
author = {Zhongliang Jiang and Yuan Bi and Mingchuan Zhou and Ying Hu and Michael Burke and Nassir Navab},
journal= {arXiv preprint arXiv:2307.03705},
year = {2023}
}