基于深度强化学习的系统用于手术内高频谱视频自动对焦.
Charlie Budd1, Jianrong Qiu2, Oscar MacCormac1,3
1King's College London, Biomedical Engineering & Imaging Science, London.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|October 15, 2024
概括
这项研究引入了一种用于高光谱成像 (HSI) 的新型自动对焦系统,以改善手术内组织分化. 新的深度强化学习方法显著提高了手术环境中的焦点准确性和可用性.
科学领域:
- 医疗成像医学成像
- 光学工程是指光学工程.
- 人工智能的人工智能
背景情况:
- 超光谱成像 (HSI) 提供了详细的光谱信息,对于手术内组织分化至关重要.
- 目前的手持式HSI系统面临硬件限制,包括浅焦深,阻碍手术应用.
- 需要集成先进的光学和人工智能解决方案来克服这些局限性.
研究的目的:
- 开发和评估用于视频高光谱成像外显镜的新型自动对焦系统.
- 提高HSI的可用性和精度,用于实时的手术内应用.
- 为了解决当前HSI硬件中有限的焦距问题.
主要方法:
- 将可调节聚焦的液态镜头集成到视频HSI外视镜中.
- 开发基于深度强化学习的自动对焦算法.
- 创建一个机器人焦点时间扫描数据集,用于现实的性能评估.
- 与传统的自动对焦方法进行基准测试,并与神经外科医生进行盲目的可用性试验.
主要成果:
- 新的深度强化学习自动对焦算法显示,与传统方法 (0.146 ±.148,p < 0.05) 相比,平均绝对焦点误差 (0.070 ±.098) 显著降低.
- 盲目的可用性试验表明神经外科医生对新型自动对焦方法的强烈偏好.
- 该系统的性能和可用性提高了手术内HSI.
结论:
- 开发的可调焦液晶镜头和深度强化学习自动对焦系统有效地克服了HSI的焦距限制.
- 这种增强的系统提供了一种可取的解决方案,用于改善使用HSI的手术内组织分化.
- 这些发现支持将先进的HSI技术集成到外科环境中.
