目录
相关文献查找
在IEEE Xplore、PubMed和谷歌Scoholar数据库中指定以下关键词
(“ultrasound” OR “ultrasonography”)
(“robot*”)
(“automatic” OR “autonomous”)
(“imaging” OR “acquisition” OR “scanning” OR “screening”)
扫描路径规划
A.术前采集
扫描路径通常在采集前进行规划，以覆盖患者感兴趣的区域（ROI）或所需的成像平面。
患者的术前医疗成像数据，如计算机断层扫描（CT）和磁共振成像（MRI）获得的目标组织的全局信息或从外部传感器（如RGB-D相机）获得的表面信息。
将术前成像数据与实时获取的数据进行表面配准
将预定义的2D扫描路径投影到使用RGB-D摄像机提取的患者的三维表面。
B.实时感知
基于实时感知来规划扫描路径
接触力控制
在采集过程中，必须将美国探头与患者保持适当的接触，以提高图像质量，确保患者的安全。过度的接触力会导致目标解剖变形，甚至伤害患者，而力不足不能保证良好的声耦合，导致图像质量差。因此，在大多数被审查的系统中，都实现了采集过程中的接触力控制。
在采集过程中，探针的位置和方向由机器人机械手连续控制，以按照计划的路径扫描患者。
探头和病人之间的接触力被实时监测和控制，以保持声学耦合和
图像质量优化
在过去的几十年里，由于传感器设计[81]和图像增强技术[82]的进步，在临床设备的成像质量有了极大的提高。然而，由于声学传播很容易受到介质特性的影响，因此在体外超声成像任务中，正确定位超声探头以确保良好的图像质量是很重要的。例如，由于波不能穿透空气和骨骼，探针应该与皮肤密切接触，并且应该适当地选择声窗，以避免强反射器，如肋骨。因此，需要在采集过程中对图像质量进行定量评价和优化的方法。
目前，还没有统一的标准来评估超声图像的质量。一般来说，现有的超声图像质量评价方法可分为两类。一种是基于目标解剖的先验知识来预测超声的图像质量，这通常来自于患者的断层扫描数据，如CT和MRI。Karamalis等人[80]提出了超声置信图，这是一种使用随机游走框架[95]估计超声图像像素级不确定性的通用方法。该方法利用US在软组织中的传播特性来评价图像质量，并可以实时提供相对一致性的空间图。在[96]中提出了一种超声置信图的变体
一些系统会根据超声的反馈来实时调整探头的姿态，以优化图像质量。在[54]，[56]中，利用b模式图像的亮度来检测由于与患者接触不当而造成的阴影伪影，并相应地调整探针方向以提高图像质量。在[59]，[68]中，通过使用超声置信图[80]计算感兴趣区域的平均置信值来实时估计图像质量。
confidence map 置信图
面临的挑战
自主机器人2D-US获取的主要挑战在于对获取的图像的解释和相应的机器人控制策略，以正确定位探针。
潜在的方向
未来研究的另一个方向是将超声图像的解读与超声探头的自动控制结合起来，使超声机器人采集更加智能。随着人工智能和计算机视觉的快速发展，各种数据驱动算法被提出并应用于超声图像分析，在不同解剖结构[111]的分类、检测和分割任务中产生了前沿结果。最近，越来越多的机器学习方法被开发出来，用于基于图像的探针引导，在模拟超声获取胎儿[112]和脊柱成像[113]。Li等人[114]提出了一种基于实时超声图像反馈的超声探头自动控制的深度强化学习解决方案。在未来的研究中，这些方法有望被集成到真实的机器人系统中，以自动解释超声图像，并实时指导探头的运动，从而模拟超声医生的视觉搜索和导航策略。