深度学习增强的机器人视网膜下注与实时视网膜运动补偿
Tianle Wu1, Mojtaba Esfandiari1, Peiyao Zhang1
1Laboratory for Computational Sensing and Robotics, Johns Hopkins University, Baltimore, MD, USA.
IEEE International Conference on Automation Science and Engineering (CASE) : [proceedings]. IEEE Conference on Automation Science and Engineering
|September 26, 2025
概括
这项研究引入了一种人工智能驱动的机器人系统,用于子视网膜注射,提高治疗视网膜疾病的精度. 它使用深度学习同步针和视网膜运动,增强手术安全性和准确性.
科学领域:
- 眼科医生 眼科 眼科
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 视网膜下注是治疗视网膜疾病,如遗传性视网膜疾病 (IRD) 和与年龄有关的黄斑变性 (AMD) 的关键.
- 视网膜生理运动对精确的针头放置提出了挑战,有可能损害视网膜色素表皮质 (RPE).
研究的目的:
- 开发一个完全自主机器人系统用于内注射.
- 通过同步针和视网膜运动来提高外科准确性和安全性.
主要方法:
- 整合手术内光学连贯断层扫描 (iOCT) 成像和深度学习以预测运动.
- 使用长短期记忆 (LSTM) 神经网络来预测内部限制膜 (ILM) 运动.
- 实施实时注册框架和用于注射针的动态比例速度控制.
主要成果:
- 在预测ILM运动方面,LSTM模型的表现优于快速里埃变换 (FFT) 基线.
- 在模拟和ex vivo猪眼中的实验验证表明了精确的运动同步.
- 在预插入阶段,实现了低于16.4μm的平均追踪误差.
结论:
- 这种人工智能驱动的机器人系统显示了提高视网膜微手术的安全性和准确性的巨大潜力.
- 自主机器人辅助可以克服生理视网膜运动带来的挑战.
