基于学习的自主导航、基准环境与内窥手术仿真框架
机器人学
2024-10-04 v1
摘要
内窥手术是治疗许多疾病的救命手段，然而存在诸多缺点，如辐射暴露和缺乏熟练医师。机器人辅助在这些手术中可能是解决这些问题的有前景的途径。专注于利用人工智能方法实现自主内窥手术的研究正在受到关注。然而，评估环境的差异性阻碍了不同方法有效性比较，主要由于每个研究都采用独特的评估框架。本研究提出一种基于深度强化学习的自主内窥器械导航方法，针对三个不同的数字基准内窥手术：BasicWireNav、ArchVariety 和 DualDeviceNav。基准内窥手术是由我们的模块化仿真框架 stEVE（模拟内窥环境）实现的。仅在仿真环境中训练的自主控制器在仿真和物理测试台上进行评估，采用相机和 X 射线fluoroscopy反馈。BasicWireNav 和 ArchVariety 的自主控制达到了高成功率，并成功地从仿真训练环境转移到物理测试台，而 DualDeviceNav 的自主控制达到了中等成功率。实验表明 stEVE 和其将训练在仿真中学习的控制器转移到真实世界场景的潜力是可行的。然而，这些研究也揭示了为未来研究提供机会的领域。这项研究表明了内窥导航中从仿真到真实世界自主控制器的可转移性，并通过提供开源训练脚本、基准和 stEVE 框架，降低了内窥辅助系统研究的进入门槛并提高了可比性。
引用
@article{arxiv.2410.01956,
title = {Learning-Based Autonomous Navigation, Benchmark Environments and Simulation Framework for Endovascular Interventions},
author = {Lennart Karstensen and Harry Robertshaw and Johannes Hatzl and Benjamin Jackson and Jens Langejürgen and Katharina Breininger and Christian Uhl and S. M. Hadi Sadati and Thomas Booth and Christos Bergeles and Franziska Mathis-Ullrich},
journal= {arXiv preprint arXiv:2410.01956},
year = {2024}
}