論文の概要: Coaching a Robotic Sonographer: Learning Robotic Ultrasound with Sparse Expert's Feedback
- arxiv url: http://arxiv.org/abs/2409.02337v1
- Date: Tue, 3 Sep 2024 23:52:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-05 20:51:59.797998
- Title: Coaching a Robotic Sonographer: Learning Robotic Ultrasound with Sparse Expert's Feedback
- Title(参考訳): ロボットソノグラフィーのコーチング:スパース専門家のフィードバックによる超音波の学習
- Authors: Deepak Raina, Mythra V. Balakuntala, Byung Wook Kim, Juan Wachs, Richard Voyles,
- Abstract要約: 本稿では,ロボット超音波(RUS)の性能向上のためのコーチングフレームワークを提案する。
このフレームワークは、自己管理の実践と、コーチングによるスパース専門家のフィードバックを組み合わせる。
専門家によるコーチングは、専門家による修正に基づいてポリシーパラメータを更新する部分観測可能なマルコフ決定プロセス(POMDP)としてモデル化されている。
- 参考スコア(独自算出の注目度): 2.0831669527081473
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound is widely employed for clinical intervention and diagnosis, due to its advantages of offering non-invasive, radiation-free, and real-time imaging. However, the accessibility of this dexterous procedure is limited due to the substantial training and expertise required of operators. The robotic ultrasound (RUS) offers a viable solution to address this limitation; nonetheless, achieving human-level proficiency remains challenging. Learning from demonstrations (LfD) methods have been explored in RUS, which learns the policy prior from a dataset of offline demonstrations to encode the mental model of the expert sonographer. However, active engagement of experts, i.e. Coaching, during the training of RUS has not been explored thus far. Coaching is known for enhancing efficiency and performance in human training. This paper proposes a coaching framework for RUS to amplify its performance. The framework combines DRL (self-supervised practice) with sparse expert's feedback through coaching. The DRL employs an off-policy Soft Actor-Critic (SAC) network, with a reward based on image quality rating. The coaching by experts is modeled as a Partially Observable Markov Decision Process (POMDP), which updates the policy parameters based on the correction by the expert. The validation study on phantoms showed that coaching increases the learning rate by $25\%$ and the number of high-quality image acquisition by $74.5\%$.
- Abstract(参考訳): 超音波は、非侵襲的、放射線のない、リアルタイムイメージングを提供することの利点から、臨床介入や診断に広く用いられている。
しかし、この厳密な手順のアクセシビリティは、オペレーターに必要な相当な訓練と専門知識のために制限されている。
ロボット超音波(RUS)は、この制限に対処するための実行可能なソリューションを提供する。
実演法(LfD)の学習は RUS で行われており、これは専門家ソノグラフィーのメンタルモデルを符号化するオフラインな実演のデータセットから事前にポリシーを学習している。
しかしながら、RASの訓練中、専門家の活発な関与、すなわちコーチングは、これまで検討されていない。
コーチングは、人間のトレーニングにおける効率性とパフォーマンスを向上させることで知られている。
本稿では, RUS の性能向上のためのコーチングフレームワークを提案する。
このフレームワークは、DRL(self-supervised practice)と、コーチングによるスパース専門家のフィードバックを組み合わせたものだ。
DRLは、画像品質のレーティングに基づく報酬として、オフポリティのSoft Actor-Critic (SAC)ネットワークを使用している。
専門家によるコーチングは、専門家による修正に基づいてポリシーパラメータを更新する部分観測可能なマルコフ決定プロセス(POMDP)としてモデル化されている。
ファントムに対する検証調査では、コーチングは学習率を25\%$に向上し、高品質の画像取得の回数は74.5\%$に増加した。
関連論文リスト
- Multi-Modal Self-Supervised Learning for Surgical Feedback Effectiveness Assessment [66.6041949490137]
そこで本研究では,音声による音声入力とそれに対応する手術映像からの情報を統合して,フィードバックの有効性を予測する手法を提案する。
以上の結果から,手書きフィードバックと手術映像の両方が,訓練者の行動変化を個別に予測できることがわかった。
本研究は,手術フィードバックの自動評価を推進するためのマルチモーダル学習の可能性を示すものである。
論文 参考訳(メタデータ) (2024-11-17T00:13:00Z) - MAGDA: Multi-agent guideline-driven diagnostic assistance [43.15066219293877]
救急部門、地方病院、または未開発地域の診療所では、臨床医は訓練された放射線技師による高速な画像分析を欠いていることが多い。
本研究では,ゼロショットガイドライン駆動意思決定支援のための新しいアプローチを提案する。
我々は、患者診断に到達するために協調する、対照的な視覚言語モデルで強化された複数のLLMエージェントのシステムをモデル化する。
論文 参考訳(メタデータ) (2024-09-10T09:10:30Z) - RILe: Reinforced Imitation Learning [60.63173816209543]
RILeは、学生のパフォーマンスと専門家によるデモンストレーションとの整合性に基づいて、動的報酬関数を学習する新しいトレーナー学生システムである。
RILeは、従来のメソッドがフェールする複雑な環境でのより良いパフォーマンスを実現し、複雑なシミュレートされたロボット移動タスクにおいて、既存のメソッドを2倍の性能で上回る。
論文 参考訳(メタデータ) (2024-06-12T17:56:31Z) - Automatic Endoscopic Ultrasound Station Recognition with Limited Data [0.0]
膵臓がんは致命的ながん形態であり、世界中のがん関連死亡に大きく貢献する。
医療画像技術の進歩にもかかわらず、膵癌は検出が困難な疾患である。
内視鏡的超音波検査は膵癌を最も効果的に診断するツールである。
膵臓の完全な画像を得るには、内視鏡を複数の「EUSステーション」に誘導することを学ぶ必要がある。
論文 参考訳(メタデータ) (2023-09-21T06:40:05Z) - Demonstration-Guided Reinforcement Learning with Efficient Exploration
for Task Automation of Surgical Robot [54.80144694888735]
効率的な強化学習アルゴリズムであるDEX(Demonstration-Guided Exploration)を導入する。
本手法は,生産的相互作用を促進するために,高い値で専門家のような行動を推定する。
総合的な手術シミュレーションプラットフォームであるSurRoLによる10ドルの手術操作に関する実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-02-20T05:38:54Z) - Development of A Real-time POCUS Image Quality Assessment and
Acquisition Guidance System [16.90302469132399]
我々は,初級学習者に対して,手作業による介入の少ないトレーニングプロセスを提供するための,リアルタイムAI支援品質評価とプローブ位置ガイダンスを行うフレームワークを開発する。
論文 参考訳(メタデータ) (2022-12-16T17:59:40Z) - RL-Based Guidance in Outpatient Hysteroscopy Training: A Feasibility
Study [4.614579113754949]
本研究は, 外来内視鏡トレーニングのためのRLをベースとした薬剤である。
近年の進歩により麻酔を伴わない外来での介入が可能となった。
患者に有益であると同時に、患者が快適な状態を維持し、組織損傷を予防するための新たな対策を講ずるために、臨床医に新たな課題がもたらされる。
論文 参考訳(メタデータ) (2022-11-26T11:16:17Z) - Automated Fidelity Assessment for Strategy Training in Inpatient
Rehabilitation using Natural Language Processing [53.096237570992294]
戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。
標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。
本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
論文 参考訳(メタデータ) (2022-09-14T15:33:30Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via
Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。
提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
論文 参考訳(メタデータ) (2021-06-09T14:10:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。