Imitation Learning for Robotic Assisted Ultrasound Examination of Deep Venous Thrombosis using Kernelized Movement Primitives

📄 arXiv: 2407.08506v2 📥 PDF

作者: Diego Dall'Alba, Lorenzo Busellato, Thiusius Rajeeth Savarimuthu, Zhuoqi Cheng, Iñigo Iturrate

分类: cs.RO

发布日期: 2024-07-11 (更新: 2024-11-08)

DOI: 10.1109/TMRB.2024.3472856

💡 一句话要点

提出基于核化运动原语的模仿学习方法，用于机器人辅助深静脉血栓超声检查。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 模仿学习 机器人超声 深静脉血栓 核化运动原语 力控制 超声成像 自主机器人

📋 核心要点

  1. 深静脉血栓超声诊断依赖操作者经验，导致结果不一致，现有机器人超声系统难以实现精确的压力控制。
  2. 利用模仿学习，通过核化运动原语（KMP）从专家演示中学习扫描轨迹和力控制策略，实现自主机器人超声检查。
  3. 实验表明，该方法能够复制专家的力控制和图像质量，优于手动定义的力曲线，提升检查标准化程度。

📝 摘要（中文）

深静脉血栓（DVT）是一种常见但潜在致命的疾病，常导致肺栓塞等严重并发症。超声（US）成像常用于DVT诊断，但由于其高度依赖操作者的技能，结果可能不一致。机器人超声系统（RUSs）旨在提高诊断测试的一致性，但面临DVT评估所需复杂扫描模式的挑战，其中精确控制超声探头压力对于间接检测阻塞至关重要。本研究提出了一种基于核化运动原语（KMP）的模仿学习方法，通过使用超声医师的演示训练自主机器人控制器，以标准化DVT US检查。一种新的记录设备设计增强了演示的人体工程学，与US探头集成，并能够无缝地记录力和位置数据。KMP用于捕获扫描技能，将扫描轨迹和力联系起来，从而实现超出演示的泛化。在合成模型和志愿者上的评估表明，基于KMP的RUS可以复制专家在DVT US检查中的力控制和图像质量。它优于先前使用手动定义的力曲线的方法，提高了检查的标准化程度，并减少了对专业超声医师的依赖。

🔬 方法详解

问题定义：深静脉血栓（DVT）的超声检查诊断结果高度依赖于操作者的经验和技能，导致诊断结果存在不一致性。现有的机器人超声系统（RUSs）在执行DVT检查时，难以实现对超声探头压力的精确控制，这对于间接检测血管阻塞至关重要。手动定义的力曲线无法很好地适应不同患者的个体差异，限制了RUSs的临床应用。

核心思路：本研究的核心思路是利用模仿学习，让机器人通过学习专家的超声检查操作来掌握DVT检查的技能。具体而言，通过记录专家在进行超声检查时的探头轨迹和施加的力，然后使用核化运动原语（KMP）对这些数据进行建模，从而使机器人能够模仿专家的操作，并根据患者的实际情况进行调整。KMP能够将扫描轨迹和力联系起来，实现超出演示的泛化能力。

技术框架：该方法的技术框架主要包括以下几个步骤：1) 使用专门设计的记录设备记录专家进行DVT超声检查时的探头位置和力数据。该设备与超声探头集成，能够无缝地记录数据。2) 使用核化运动原语（KMP）对记录的数据进行建模，学习专家的扫描轨迹和力控制策略。KMP能够将扫描轨迹和力联系起来，实现泛化能力。3) 使用学习到的KMP模型控制机器人执行DVT超声检查。机器人根据KMP模型生成的目标轨迹和力，控制超声探头进行扫描。4) 通过实验评估机器人超声检查的性能，包括力控制的精度和图像质量。

关键创新：该方法最重要的技术创新点在于使用核化运动原语（KMP）来建模专家的超声检查操作。KMP能够将扫描轨迹和力联系起来，实现超出演示的泛化能力。与先前使用手动定义的力曲线的方法相比，KMP能够更好地适应不同患者的个体差异，提高检查的标准化程度。此外，新的记录设备设计增强了演示的人体工程学，方便专家进行演示。

关键设计：KMP模型的具体参数设置未知，论文中未详细描述。损失函数的设计目标是使机器人能够尽可能地模仿专家的操作，包括扫描轨迹和力控制。具体形式未知。网络结构方面，由于KMP本身是一种参数化的运动模型，因此不需要神经网络。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在合成模型和志愿者上的实验表明，基于KMP的RUS可以复制专家在DVT US检查中的力控制和图像质量。该方法优于先前使用手动定义的力曲线的方法，提高了检查的标准化程度，并减少了对专业超声医师的依赖。具体性能数据和提升幅度在摘要中未明确给出。

🎯 应用场景

该研究成果可应用于临床DVT超声检查，提高诊断的标准化程度和一致性，降低对专业超声医师的依赖。未来，该技术可扩展到其他超声检查领域，例如腹部超声、心脏超声等，实现更广泛的机器人辅助超声诊断。

📄 摘要（原文）

Deep Vein Thrombosis (DVT) is a common yet potentially fatal condition, often leading to critical complications like pulmonary embolism. DVT is commonly diagnosed using Ultrasound (US) imaging, which can be inconsistent due to its high dependence on the operator's skill. Robotic US Systems (RUSs) aim to improve diagnostic test consistency but face challenges with the complex scanning pattern needed for DVT assessment, where precise control over US probe pressure is crucial for indirectly detecting occlusions. This work introduces an imitation learning method, based on Kernelized Movement Primitives (KMP), to standardize DVT US exams by training an autonomous robotic controller using sonographer demonstrations. A new recording device design enhances demonstration ergonomics, integrating with US probes and enabling seamless force and position data recording. KMPs are used to capture scanning skills, linking scan trajectory and force, enabling generalization beyond the demonstrations. Our approach, evaluated on synthetic models and volunteers, shows that the KMP-based RUS can replicate an expert's force control and image quality in DVT US examination. It outperforms previous methods using manually defined force profiles, improving exam standardization and reducing reliance on specialized sonographers.