Deep Reinforcement Learning-Based Ultrasound Visual Servoing Scheme for Autonomous Robotic Echocardiography
Notice bibliographique
Résumé
This study develops a deep reinforcement learning (DRL)-based ultrasound visual servoing (DBUVS) scheme for an autonomous robotic echocardiography system. The proposed approach aims to replace remote cardiac sonographers with a newly developed AI agent, Cardiac Sonographer Net (CS-Net), trained using DRL based on the Soft Actor-Critic (SAC) algorithm. To train CS-Net, a robotic echocardiography environment is simulated in GAZEBO simulator using a two-stage generative AI (GenAI) approach to produce highfidelity synthetic ultrasound images. In the first stage, multiple convolutional neural networks (CNNs) generate initial ultrasound images based on different parameter settings from a given probe pose. A fuzzy inference system (FIS) then fuses these images into a single low-quality representation. In the second stage, a super-resolution generative adversarial network with gradient penalty (SRGAN-GP) enhances image quality. Compared with low-quality images, the GenAI-based outputs show an 11.37 perceptual image patch similarity (LPIPS) and higher resolution (256W256 to 500W500 pixels), closely matching real ultrasound images. CS-Net is initially trained in the simulation environment and deployed on the real experimental robotic system with an ultrasound probe mounted on the end effector and a cardiac phantom for testing, using sim-to-real transfer learning. Experimental results demonstrate that the robotic echocardiography system powered by CS-Net performs autonomous scanning with higher accuracy and efficiency than the echocardiography remotely operated by the sonographer. Specifically, the system achieves faster convergence by reaching an image feature error norm of 0.176 in 25 seconds, compared with 0.253 in 50 seconds for remote operation.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».