Deep Kernel and Image Quality Estimators for Optimizing Robotic Ultrasound Controller using Bayesian Optimization

要約

超音波は一般的に使用される医療画像モダリティであり、専門の超音波検査技師が取得した画像に基づいて超音波プローブを手動で操作する必要があります。
自律ロボット超音波検査 (A-RUS) は、超音波検査者の作業負荷を軽減するために、この手動手順に代わる魅力的な代替手段です。
A-RUS の主な課題は、さまざまな患者の関心領域の超音波画像の品質を最適化することです。
これには、解剖学的構造の知識、誤差の原因の認識、正確なプローブの位置、方向、圧力が必要です。
ロボット化プローブコントローラーに関連するこれらのパラメーターを最適化する際には、サンプル効率が重要です。
最近、サンプル効率の高い最適化フレームワークであるベイジアン最適化 (BO) が、プローブの 2D 動作を最適化するために適用されました。
しかしながら、プローブの高次元制御のためにサンプル効率を向上させるためには、さらなる改良が必要である。
私たちは、ニューラル ネットワークを使用して、ディープ カーネル (DK) と呼ばれる BO の低次元カーネルを学習することで、この問題を克服することを目指しています。
DK のニューラル ネットワークは、手順中に取得されたプローブと画像データを使用してトレーニングされます。
ディープ畳み込みニューラル ネットワークを使用し、BO にリアルタイムのフィードバックを提供する 2 つの画質推定器が提案されています。
3 つの膀胱ファントムに対してこれら 2 つのフィードバック関数を使用してフレームワークを検証しました。
ロボット化プローブの 6D 制御により、サンプル効率が 50% 以上向上しました。
さらに、我々の結果は、BO におけるこのパフォーマンス向上は特定のトレーニング データセットに依存しないことを示しており、患者間の適応性を示しています。

要約(オリジナル)

Ultrasound is a commonly used medical imaging modality that requires expert sonographers to manually maneuver the ultrasound probe based on the acquired image. Autonomous Robotic Ultrasound (A-RUS) is an appealing alternative to this manual procedure in order to reduce sonographers’ workload. The key challenge to A-RUS is optimizing the ultrasound image quality for the region of interest across different patients. This requires knowledge of anatomy, recognition of error sources and precise probe position, orientation and pressure. Sample efficiency is important while optimizing these parameters associated with the robotized probe controller. Bayesian Optimization (BO), a sample-efficient optimization framework, has recently been applied to optimize the 2D motion of the probe. Nevertheless, further improvements are needed to improve the sample efficiency for high-dimensional control of the probe. We aim to overcome this problem by using a neural network to learn a low-dimensional kernel in BO, termed as Deep Kernel (DK). The neural network of DK is trained using probe and image data acquired during the procedure. The two image quality estimators are proposed that use a deep convolution neural network and provide real-time feedback to the BO. We validated our framework using these two feedback functions on three urinary bladder phantoms. We obtained over 50% increase in sample efficiency for 6D control of the robotized probe. Furthermore, our results indicate that this performance enhancement in BO is independent of the specific training dataset, demonstrating inter-patient adaptability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google