A Zero-Shot Reinforcement Learning Strategy for Autonomous Guidewire Navigation

要約

目的: 心血管疾患の治療には、ガイドワイヤーとカテーテルの複雑で困難なナビゲーションが必要です。
これにより、多くの場合、患者と臨床医が X 線放射線にさらされる長期間の介入が必要になります。
深層強化学習アプローチは、このタスクの学習において有望であることが示されており、ロボット化介入中のカテーテルナビゲーションを自動化する鍵となる可能性があります。
しかし、既存のトレーニング方法では、目に見えない血管の解剖学的構造を一般化する能力が限られており、形状が変化するたびに再トレーニングする必要があります。
方法: この論文では、3 次元自律血管内ナビゲーションのためのゼロショット学習戦略を提案します。
非常に小さな分岐パターンのトレーニング セットを使用することで、当社の強化学習アルゴリズムは、再トレーニングすることなく目に見えない血管の解剖学的構造に適用できる制御を学習できます。
結果: 4 つの異なる血管系でこの方法を実証し、これらの解剖学的構造上のランダムなターゲットに到達する平均成功率は 95% でした。
私たちの戦略は計算効率も高く、コントローラーのトレーニングをわずか 2 時間で実行できます。
結論: 私たちのトレーニング方法は、形状がほぼ不変の観察空間のおかげで、さまざまな特性を持つ目に見えないジオメトリをナビゲートできる能力を証明しました。

要約(オリジナル)

Purpose: The treatment of cardiovascular diseases requires complex and challenging navigation of a guidewire and catheter. This often leads to lengthy interventions during which the patient and clinician are exposed to X-ray radiation. Deep Reinforcement Learning approaches have shown promise in learning this task and may be the key to automating catheter navigation during robotized interventions. Yet, existing training methods show limited capabilities at generalizing to unseen vascular anatomies, requiring to be retrained each time the geometry changes. Methods: In this paper, we propose a zero-shot learning strategy for three-dimensional autonomous endovascular navigation. Using a very small training set of branching patterns, our reinforcement learning algorithm is able to learn a control that can then be applied to unseen vascular anatomies without retraining. Results: We demonstrate our method on 4 different vascular systems, with an average success rate of 95% at reaching random targets on these anatomies. Our strategy is also computationally efficient, allowing the training of our controller to be performed in only 2 hours. Conclusion: Our training method proved its ability to navigate unseen geometries with different characteristics, thanks to a nearly shape-invariant observation space.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google