論文の概要: Anatomical Landmark-Guided Deep Reinforcement Learning for Autonomous Gastric Navigation
- arxiv url: http://arxiv.org/abs/2605.08269v1
- Date: Fri, 08 May 2026 03:11:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 15:27:10.492153
- Title: Anatomical Landmark-Guided Deep Reinforcement Learning for Autonomous Gastric Navigation
- Title（参考訳）: 自律型胃ナビゲーションのための解剖学的ランドマーク誘導深部強化学習
- Authors: Haoxuan Wu, Sishen Yuan, Haitao Gao, Zhen Li, Xiuli Zuo, Hongliang Ren,
- Abstract要約: ワイヤレスカプセル内視鏡(WCE)は、消化管の無痛な可視化を可能にする。
本稿では,自律型胃ナビゲーションのための移動型,解剖学的ランドマーク付き深部強化学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.172107354380117
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Wireless capsule endoscopy (WCE) enables painless visualization of the gastrointestinal tract, but its diagnostic potential is limited by incomplete mucosal coverage and poor transferability of existing navigation methods across patient anatomies. We propose a transferable, anatomical landmarkguided deep reinforcement learning (AL-DRL) framework for autonomous gastric navigation. Leveraging a lightweight edgecontour-depth fusion module, our policy operates on stable, lowdimensional landmark coordinates rather than high-dimensional video streams, effectively bridging the sim-to-real gap. In simulations across eight patient-derived models, the method achieves over 97% coverage within 50 seconds, significantly outperforming vanilla PPO, SAC, and DQN agents. A two-stage sim-to-real pipeline with an adaptive dynamic programming controller actively mitigates physical disturbances. Ex-vivo experiments demonstrate a mean coverage of 87% and a 53% reduction in procedure time compared with expert manual control.
- Abstract（参考訳）: ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は消化管の無痛な可視化を可能にするが, その診断能力は, 不完全な粘膜被覆と既存ナビゲーション手法の患者解剖への移動性によって制限される。
本稿では,自律型胃ナビゲーションのための移動型,解剖学的ランドマーク付き深部強化学習(AL-DRL)フレームワークを提案する。
軽量なエッジ輪郭深部融合モジュールを活用することで、高次元ビデオストリームではなく、安定で低次元のランドマーク座標を運用し、シム・トゥ・リアルギャップを効果的に橋渡しする。
8つの患者由来モデルを対象としたシミュレーションでは、50秒以内に97%以上のカバレッジを達成し、バニラPPO、SAC、DQNエージェントを著しく上回っている。
適応動的プログラミングコントローラを備えた2段階のsim-to-realパイプラインは、物理的乱れを積極的に軽減する。
前回の実験では、熟練した手動制御と比較して平均87%のカバレッジと53%の手順時間の短縮が示されていた。
関連論文リスト
- Toward Safe Autonomous Robotic Endovascular Interventions using World Models [34.54099310430464]
TD-MPC2上に構築された自律血管ナビゲーションのための世界モデルに基づくフレームワークについて検討する。
患者特化血管の複数ナビゲーションを訓練したTD-MPC2エージェントについて検討した。
我々は、最先端のSoft Actor-Critic(SAC)アルゴリズムエージェントに対して、その性能をベンチマークする。
論文 参考訳（メタデータ） (2026-04-22T03:32:18Z) - CT-Enabled Patient-Specific Simulation and Contact-Aware Robotic Planning for Cochlear Implantation [41.386729124620366]
ロボットの人工内耳挿入は、人工内耳の外傷を最小限に抑えるために、接触力の正確な予測と調節を必要とする。
本稿では,接触型挿入計画と検証のためのCT-to-simulationパイプラインについて述べる。
論文 参考訳（メタデータ） (2026-03-05T16:13:59Z) - Toward AI Autonomous Navigation for Mechanical Thrombectomy using Hierarchical Modular Multi-agent Reinforcement Learning (HM-MARL) [57.65363326406228]
In vitroにおける自律型2デバイスナビゲーションのための階層型モジュールマルチエージェント強化学習フレームワークを提案する。
HM-MARLは、大腿動脈から内頸動脈(ICA)へのガイドカテーテルとガイドワイヤを自律的にナビゲートするために開発された。
モジュール型マルチエージェントアプローチは、複雑なナビゲーションタスクを特別なサブタスクに分解するために用いられ、それぞれがソフトアクター・クライブRLを用いて訓練された。
In vitroでは、両方のHM-MARLモデルが大腿動脈から右総頸動脈への100%の治験に成功し、右ICAへの80%は失敗に終わった。
論文 参考訳（メタデータ） (2026-02-20T23:50:35Z) - Contact-aware Path Planning for Autonomous Neuroendovascular Navigation [2.5433679356784897]
神経血管ナビゲーションのための決定論的かつ時間効率な接触認識経路プランナを提案する。
このアルゴリズムは、血管の術前および術中画像からの情報を利用して、受動的ツールをナビゲートする。
木拡大のためのサンプリングベースプランナーによってキネマティックモデルが導出され,利用されている。
論文 参考訳（メタデータ） (2026-01-12T19:24:08Z) - Reinforcement Learning for Follow-the-Leader Robotic Endoscopic Navigation via Synthetic Data [21.611096590329343]
本稿では,内視鏡本体と腸管壁との接触を最小限に抑えるために,フレキシブルな連続構造に基づく内視鏡ロボットについて述べる。
単眼深度推定による視覚に基づく深部強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-06T08:15:53Z) - Towards Autonomous Navigation in Endovascular Interventions [0.7100795934780609]
この論文は、複雑な血管環境における自律的なガイドワイヤナビゲーションのための統合AI駆動フレームワークを提示している。
高忠実でリアルタイムなシミュレーションプラットフォームであるCathSimは、強化学習に基づくカテーテルナビゲーションのために導入された。
Expert Navigation Networkは、自律的なツールコントロールのための視覚的、運動的、強制的なフィードバックを融合させるポリシーである。
論文 参考訳（メタデータ） (2025-12-19T21:38:52Z) - Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。
本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。
以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文 参考訳（メタデータ） (2025-11-11T04:16:12Z) - World Model for AI Autonomous Navigation in Mechanical Thrombectomy [39.51808126417126]
モデルベースRLアルゴリズムであるTD-MPC2を用いて,自律型血管内ナビゲーションのための世界モデルを提案する。
SAC(Soft Actor-Critic)法と比較し,複数の血管内ナビゲーションタスクに対して1つのRLエージェントを訓練した。
その結果,TD-MPC2は多タスク学習においてSACを有意に上回り,SACの37%に比べ平均成功率は65%,パス比は顕著に改善した。
論文 参考訳（メタデータ） (2025-09-29T21:21:30Z) - Contact-Aided Navigation of Flexible Robotic Endoscope Using Deep Reinforcement Learning in Dynamic Stomach [7.3292601941823206]
消化器外科的診断と治療には, フレキシブル・ロボティクス・内視鏡(FRE)を経る必要がある。
我々は,FREに対する深部強化学習(DRL)に基づく接触支援ナビゲーション(CAN)戦略を導入し,接触力フィードバックを活用して動作安定性とナビゲーション精度を向上させる。
静的および動的胃環境では,CANは平均1.6mmの誤差で100%成功率を達成し,外乱が強い未確認シナリオに対して85%の成功率を維持した。
論文 参考訳（メタデータ） (2025-08-30T02:42:06Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z)
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。