论文部分内容阅读
超声检查在医疗中应用广泛,医生通过手持超声探头在患者身上进行扫查,并借助超声影像进行诊断。但通过医生手动操作存在很多问题,比如扫查到的超声图像质量受医生的操作经验影响、没有统一的扫查流程以及扫查任务繁重等,这些问题限制了超声扫查的临床诊断能力,因此需要借助机器人自主地完成超声扫查。然而目前的超声扫查机器人需要手动编程执行扫查任务,当环境发生变化时,手动编程的方法失效,难以满足实际需求。本文提出了一种借助视觉信息的机械臂辅助超声智能扫查的方法,让机械臂通过学习的方式获得控制策略,以适应环境变化,自主地完成超声扫查。本文将扫查过程分为两个阶段:第一阶段引导超声探头从空间初始位置到达患者身体的参考点(脐部);第二阶段引导超声探头在患者腹部扫查,从患者脐部开始到找到肝截面结束。针对第一阶段难以获得标注数据,进行了基于强化学习的机械臂控制策略研究;针对第二阶段难以设计奖励函数,进行了基于模仿学习的机械臂控制策略研究。本文主要进行了以下研究工作:首先,利用目标检测算法得到患者周围环境中的感兴趣目标的类别、位置和大小。分析了患者周围环境,得到四类感兴趣的目标;针对各类目标的大小不同,构建了单步目标检测网络的结构;在训练集上训练了网络,并在测试集上测试了网络,得到各类目标的平均精度值均在0.99以上。其次,利用强化学习方法得到第一阶段的机械臂控制策略。结合检测到的目标和机械臂各个关节的转角等信息,设计了强化学习中的状态、动作和奖励;搭建仿真环境,在Actor-Critic算法架构下进行训练,得到机械臂的控制策略;测试了在目标区域内随机生成的500个目标点,机械臂500次都到达了目标。最后,利用模仿学习方法得到第二阶段的机械臂控制策略。针对扫查过程中图像之间时间上的相关性,引入了长短时记忆单元,并结合卷积神经网络构建了模型;将模型设计成视觉层和电机控制层两部分,把输入图像映射为机械臂关节转角增量;针对两种输入图像,细化了扫查过程,开始用相机图像作为输入,后续用超声图像作为输入,在训练集上完成了两个模型的训练,并在测试集上测试了两个模型,其中由相机图像引导的模型,机械臂关节转角增量的均方根误差为0.0387(rad),由超声图像引导的模型,机械臂关节转角增量的均方根误差为0.0224(rad)。