VesNet-RL：基于仿真的强化学习用于真实世界超声探头导航
图像与视频处理
2022-05-16 v1 人工智能
计算机视觉与模式识别
机器人学
摘要
超声（US）是最常见的医学成像模态之一，因为它无辐射、低成本且实时。在徒手超声检查中，超声医师通常导航 US 探头以可视化具有丰富诊断信息的标准检查平面。然而，所得图像的可重复性和稳定性常受到操作者内和操作者间差异的影响。强化学习（RL）作为一种基于交互的学习方法，已在视觉导航任务中展现出其有效性；然而，RL 在泛化方面存在局限。为应对这一挑战，我们提出了一种基于仿真的 RL 框架，用于 US 探头朝向血管标准纵切面的真实世界导航。使用 UNet 从 US 图像提供二值掩码；从而，在仿真的二值血管图像上训练的 RL 智能体可直接应用于真实场景而无需进一步训练。为准确表征实际状态，引入了多模态状态表示结构以促进对环境的理解。此外，考虑到血管特性，提出了一种基于最小外接矩形的新型标准视图识别方法来终止搜索过程。为评估所提方法的有效性，训练的策略在志愿者体内颈动脉的 3D 体积上进行了虚拟验证，并使用机器人 US 在定制设计的凝胶体模上进行了物理验证。结果表明，所提方法能够高效且准确地将探头导航至血管纵切面。
引用
@article{arxiv.2205.06676,
title = {VesNet-RL: Simulation-based Reinforcement Learning for Real-World US Probe Navigation},
author = {Yuan Bi and Zhongliang Jiang and Yuan Gao and Thomas Wendler and Angelos Karlas and Nassir Navab},
journal= {arXiv preprint arXiv:2205.06676},
year = {2022}
}
备注
Directly accepted by IEEE RAL after the first round of review. Video: https://www.youtube.com/watch?v=bzCO07Hquj8 Codes: https://github.com/yuan-12138/VesNet-RL