肋間ロボット超音波画像診断のための強化学習を用いた自律経路計画

科学分野:

• ロボット工学と人工知能、医用画像処理

背景:

• 超音波（US）画像診断は臨床診断に不可欠ですが、術者によるばらつきがあります。
• ロボットシステムは、US検査の精度と再現性を向上させます。
• 現在の自律USナビゲーションは、しばしば3D解剖学的コンテキストを欠いており、複雑な領域での経路計画を妨げています。

研究 の 目的:

• 自律的な肋間USスキャン経路計画のための新しい強化学習（RL）アプローチを開発すること。
• 計算断層撮影（CT）テンプレートからの3D解剖学的知識をRLの意思決定プロセスに統合すること。
• 解剖学的に困難な領域での効率的で影のないUS軌道計画を可能にすること。

主な方法:

• シミュレートされた腫瘍を持つCTテンプレートを使用して仮想環境を作成し、トレーニングを行いました。
• 3D状態表現を利用した強化学習フレームワークを採用しました。
• 音響減衰や影などのアーチファクトを軽減し、スキャンを最適化するために、タスク固有の状態表現と報酬関数を設計しました。

主要な成果:

• 提案されたRLフレームワークは、影のないUSスキャン軌道を計画することに成功しました。
• このアプローチは、未知の患者モデルに対して、単一または複数のスキャンターゲットの経路計画において効率を示しました。
• この手法は、音響アクセスが制限された領域を効果的にナビゲートしました。

結論:

• 本研究は、特に複雑な解剖学的領域における自律US経路計画のための効果的なRLベースのソリューションを提示します。
• 3D解剖学的情報の統合は、USスキャン経路計画の精度と信頼性を大幅に向上させます。
• この研究は、ロボット超音波検査の実行と制御における将来の開発の基礎となります。