新模型SonoGraph-WM实现机器人超声导航解剖预判
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对机器人超声扫查缺乏解剖变化预判的问题，提出动作与目标条件化的世界模型SonoGraph-WM。该方案用场景图表征解剖结构、几何及空间关系，避免直接合成超声图像。统一Transformer基于历史图与探头位姿联合预测未来状态，结合滚动时域规划器寻优并执行。利用CT标签图生成对齐训练数据以摆脱对人工标注的依赖。在四例未参与训练的CT测试中，空间关系F1在20步预测后超93%；闭环导航对胆囊与胰腺分别取得77.50%和75.00%的成功率；在机器人体模实验中，73.7%的尝试成功抵达目标视角。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载场景图表征与联合预测
传统机器人超声导航方法在执行动作时，往往缺乏对解剖结构变化的显式预测。SonoGraph-WM模型采用场景图来表征可见解剖结构、几何特征及空间关系，从而绕开了直接合成超声图像的步骤。该模型接收历史的场景图与探头位姿作为输入，通过统一的Transformer架构，联合预测未来的场景图与探头位姿，实现了对扫查过程的预判能力。
滚动时域规划与CT数据生成
在导航规划方面，该模型引入滚动时域规划器。该规划器递归地想象候选轨迹，从中选择到达目标场景图的最短预测路径，并在短执行时域内跟随该路径，随后基于新观测重新规划。为降低对带有追踪和解剖标注的超声序列的依赖，研究利用CT标签图沿受表面约束的探头轨迹生成对齐的场景图-位姿训练数据，实现了CT监督下的世界模型训练。
导航成功率与预测精度
在四例未参与训练的CT案例测试中，模型在20个预测步长后，空间关系F1分数保持在93%以上。在闭环导航任务中，使用源自标注的场景图，对胆囊和胰腺的导航成功率分别达到77.50%和75.00%。在采用源自标签图的场景图进行的机器人-体模导航实验中，规划器在73.7%的试验中成功抵达目标视角。结果证实了CT监督解剖世界建模用于探头规划的有效性，并强调了频繁更新观测对可靠导航的重要性。
为什么值得看
用场景图与CT监督替代图像合成与人工标注，显著提升机器人超声导航的预判能力与成功率。
对齐
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。