基于深度学习的自主视网膜静脉化 in ex vivo 猪眼睛
Peiyao Zhang1,2, Peter Gehlbach3, Russell H Taylor1,2,4
1Department of Mechanical Engineering, Johns Hopkins University, Baltimore, MD 21211, USA.
Science robotics
|December 17, 2025
概括
视网膜静脉通道 (RVC) 的自主机器人工作流显示出高的成功率. 这种由深度学习驱动的系统提高了治疗视网膜静脉封闭 (RVO) 的精度.
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:
- 视网膜静脉封闭 (RVO) 治疗通常需要高度的手术精度.
- 视网膜静脉通道 (RVC) 是一种新兴的,技术要求高的RVO手术.
- 机器人辅助正在越来越多地探索改善RVC结果.
研究的目的:
- 开发和评估RVC的自主机器人工作流程,使用深度学习和计算机视觉.
- 为了使机器人系统能够在RVC中执行关键的,依赖于专家的步骤.
- 在静态和动态模拟的外科条件下评估工作流的性能.
主要方法:
- 使用两个稳定手眼机器人 (SHER) 控制一个100微米针和.
- 训练了三个卷积神经网络,用于预测针的运动和事件检测 (接触,刺穿).
- 整合了手术显微镜与手术内光学连贯断层扫描 (iOCT) 系统进行实时成像.
主要成果:
- 在20个ex vivo猪眼中实现了90%的自主RVC成功率.
- 在模拟的鼻状眼睛运动 (呼吸) 中,证明了83%的成功率.
- 在动态条件下,工作流程被证明是强大而稳定的.
结论:
- 整合深度学习和机器人协助的自主RVC工作流程是可行的和有效的.
- 拟议的系统显著提高了RVO处理的精度和可靠性.
- 这种方法有可能改善RVO管理中的外科结果.
