Image-Guided Autonomous Guidewire Navigation in Robot-Assisted Endovascular Interventions using Reinforcement Learning

自主机器人在内科介入手术中具有潜力，可以安全可靠地导航引导丝，同时减少人为错误和缩短手术时间。然而，目前基于强化学习（RL）的引导丝导航方法依赖于手动演示数据或磁性引导。在本研究中，我们提出了一种基于图像的自主引导丝导航（IAGN）方法。具体而言，我们引入了具有边界距离约束的路径规划算法BDA-star，用于引导丝导航的轨迹规划。我们建立了一个IAGN-RL环境，其中观测是实时的引导丝进给图像，突出显示引导丝尖端的位置和计划路径。我们提出了一个基于引导丝尖端到计划路径和目标距离的奖励函数，以评估代理的行动。此外，在策略网络中，我们采用预先训练的卷积神经网络来提取特征，减轻了直接从原始像素学习时的稳定性问题和收敛速度慢的问题。在主动脉模拟IAGN平台上进行的实验表明，所提出的方法针对左锁骨下动脉和头臂动脉，实现了100％的引导丝导航成功率，同时减少了移动和回缩距离，并且轨迹趋向于血管中心。

论文提出了一种图像引导的自主导丝管导航方法，旨在解决现有强化学习方法依赖于人工演示数据或磁性引导的问题。

论文提出了一种基于边界距离约束的路径规划算法BDA-star，用于导丝管导航的轨迹规划，并在策略网络中使用预训练的卷积神经网络提取特征，以减少直接从原始像素学习所带来的稳定性问题和收敛速度慢的问题。

论文在真实的导丝管图像中建立了IAGN-RL环境，提出了一种基于导丝管尖端与计划路径之间距离和目标距离的奖励函数来评估智能体的行动，并在模拟环境中进行了实验，取得了100%的导丝管导航成功率，同时减少了运动和回撤距离，轨迹趋向于血管中心。

相关研究包括基于增强学习的导丝管导航方法，以及基于图像引导的自主导航方法。