Deep Reinforcement Learning-Based Control for Stomach Coverage Scanning of Wireless Capsule Endoscopy

要約

ワイヤレスカプセル内視鏡は、その非侵襲的で痛みのない特性により、胃腸障害を評価するための新しいゴールドスタンダードとなっています。
ただし、カプセル内視鏡の制御は困難な場合があるため、検査全体を通じて漏れが発生する可能性があります。
本研究では、強化学習に基づいて胃内のカバレッジスキャンタスクのために磁気カプセル内視鏡を制御し、カプセルが胃の隅々まで包括的にスキャンできるようにします。
VR-Caps というよくできた仮想プラットフォームを適用して、カプセル内視鏡モデルを使用して胃のカバースキャンのプロセスをシミュレートします。
Proximal Policy Optimization (PPO) アルゴリズムと Soft Actor-Critic (SAC) アルゴリズムという 2 つの深層強化学習アルゴリズムを利用して比較し、磁場を介して直接カプセル内視鏡を作動させ、カプセル内視鏡のスキャン効率を最適化する永久磁性エージェントをトレーニングします。
お腹のカバー力。
異なるハイパーパラメータを使用して 2 つのアルゴリズムの長所と短所を分析し、150.37 秒以内に胃領域の 98.04% のカバー率を達成しました。

要約(オリジナル)

Due to its non-invasive and painless characteristics, wireless capsule endoscopy has become the new gold standard for assessing gastrointestinal disorders. Omissions, however, could occur throughout the examination since controlling capsule endoscope can be challenging. In this work, we control the magnetic capsule endoscope for the coverage scanning task in the stomach based on reinforcement learning so that the capsule can comprehensively scan every corner of the stomach. We apply a well-made virtual platform named VR-Caps to simulate the process of stomach coverage scanning with a capsule endoscope model. We utilize and compare two deep reinforcement learning algorithms, the Proximal Policy Optimization (PPO) and Soft Actor-Critic (SAC) algorithms, to train the permanent magnetic agent, which actuates the capsule endoscope directly via magnetic fields and then optimizes the scanning efficiency of stomach coverage. We analyze the pros and cons of the two algorithms with different hyperparameters and achieve a coverage rate of 98.04% of the stomach area within 150.37 seconds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google