Learning-based autonomous navigation, benchmark environments and simulation framework for endovascular interventions
Notice bibliographique
Résumé
Endovascular interventions are a life-saving treatment for many diseases, but they suffer from drawbacks such as radiation exposure and the potential scarcity of proficient physicians. Robotic assistance during these interventions could be a promising support for these problems. Research focusing on autonomous endovascular interventions using artificial intelligence-based methodologies is gaining popularity. However, variability in assessment environments hinders the comparability of different approaches, primarily due to each study employing a unique evaluation framework. In this study, we present autonomous endovascular instrument navigation based on deep reinforcement learning for three distinct digital benchmark interventions: BasicWireNav, ArchVariety, and DualDeviceNav. The benchmarks focus on aortic arch to supra-aortic navigation, representing fundamental large-vessel navigation skills. The benchmark interventions were implemented with our modular simulation framework stEVE (simulated EndoVascular Environment). Autonomous controllers were trained solely in simulation and evaluated in simulation and on physical test benches with camera and fluoroscopy feedback. Autonomous control for BasicWireNav and ArchVariety reached success rates up to 98/100 in simulation and was successfully transferred to the physical test benches with a success rate of up to 97/100. The experiments demonstrate the feasibility of stEVE and its potential to transfer simulation-trained controllers to real-world scenarios. However, they also reveal areas that offer opportunities for future research. Furthermore, this work reduces barriers to entry and increases the comparability of research on learning-based assistance systems for endovascular navigation by providing open-source training scripts, benchmarks, and the stEVE framework. • Novel benchmark environments for autonomous endovascular navigation using stEVE. • Successful simulation-to-reality transfer with 98% to 97% success rate. • Multi-instrument coordination challenges identified in DualDeviceNav benchmark. • Open-source framework enables reproducible endovascular robotics research. • Reward design ablation shows two-component combinations accelerate learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».