Online Learning-Based Robust Deep Feature Ultrasound Visual Servoing: Applications to Echocardiography
Notice bibliographique
Résumé
This paper proposes a robust ultrasound image-based visual servoing (UIBVS) method designed for intelligent autonomous echocardiography with online learning capability. A cascade control scheme, comprising internal and external loops, ensures robust and intelligent cardiac imaging. The internal loop integrates a filtered integral quasi-super-twisting algorithm (FIQSTA) with an ultrasound-cardiac-feature-net (UCF-Net). UCF-Net, a pretrained convolutional neural network (CNN), extracts six unique ultrasound image features essential for UIBVS. Within the internal loop, FIQSTA exploits these features to minimize errors between desired and current ultrasound images to zero in finite time, despite system uncertainties. In the external loop, another CNN acts as a feature modifier, adjusting the desired image features based on cardiologist-provided updates. Thus, the internal loop provides robust and accurate visual servoing with proven stability, while the external loop contributes intelligence and adaptability through supervised online learning. Combining the feature modifier and UCF-Net results in the adaptive UCF-Net (AUCF-Net), the key component enabling continuous online learning and improving accuracy with increased usage. Experimental results using a cardiac phantom demonstrate the effectiveness of the proposed method in achieving the parasternal short-axis (PSAX) view and its ability to adaptively update and correct desired images online.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».