ULTRASOUND SACRUM NAVIGATION DATA SET

该数据集包含34名志愿者的下背部超声扫描，用于强化学习基础的自主机器人超声导航。每个志愿者都有一个关联的环境，用于训练强化学习（RL）代理。数据集详细记录了每个志愿者的超声扫描帧和机器人位置信息。

This dataset comprises ultrasound scans of the lower back from 34 volunteers, intended for the reinforcement learning-based autonomous robotic ultrasound navigation. Each volunteer is associated with an environment used to train reinforcement learning (RL) agents. The dataset meticulously documents the ultrasound scan frames and robotic position information for each volunteer.

原始信息汇总

ULTRASOUND SACRUM NAVIGATION DATA SET

数据集描述

本数据集包含来自34名志愿者的下背部超声(US)扫描图像，用于强化学习(RL)基础的自主机器人超声导航的硕士论文研究。详细采集方法和相关研究可参考此论文。

数据集详情

• 志愿者信息：每位志愿者都有一个关联的环境，支持x-y笛卡尔导航，用于训练强化学习(RL)代理。

• 数据结构：每位志愿者由一个11x15的网格表示，每个网格包含5个US帧。

• 患者文件内容：

  • 志愿者标识符
  • 对应志愿者帧的相对路径
  • 显示骶骨的超声帧的坐标列表
  • 坐标及其对应帧索引的列表
  • 可视化网格环境的数组，其中每个数字代表最接近网格中心帧的帧。每位志愿者的脊柱大致位于该矩阵的第6行。

• 文件结构：每位志愿者都有一个名为Sacrum_SubjectXX的目录，包含该志愿者环境的帧。此外，该目录还包括一个.csv文件，记录了机器人对每个获取帧的位置信息。

• 代码资源：用于创建患者文件的代码位于create_patient_file.py，样本患者加载器位于load_patient_file.py。

引用信息

若在学术工作中使用此数据集，请引用：

@misc{hase2020ultrasoundguided, title={Ultrasound-Guided Robotic Navigation with Deep Reinforcement Learning}, author={Hannes Hase and Mohammad Farid Azampour and Maria Tirindelli and Magdalini Paschali and Walter Simson and Emad Fatemizadeh and Nassir Navab}, year={2020}, eprint={2003.13321}, archivePrefix={arXiv}, primaryClass={cs.LG} }

搜集汇总

数据集介绍

构建方式

该数据集构建于34名志愿者的下背部超声扫描数据，旨在支持基于强化学习的自主机器人超声导航研究。每位志愿者的数据通过一个11x15的网格环境进行组织，每个网格包含5个超声帧。数据集的构建依赖于患者文件，这些文件提供了受试者标识符、帧的相对路径、显示骶骨的坐标列表、对应的帧索引以及用于可视化网格环境的数组。此外，每个志愿者还拥有一个包含其环境帧的目录，以及一个记录机器人位置信息的.csv文件。

特点

该数据集的特点在于其高度结构化的网格环境设计，每个网格包含多个超声帧，便于强化学习代理的训练。数据集中每个受试者的脊柱位置被近似定位在网格的第6行，使得数据具有较高的空间一致性。此外，数据集提供了详细的机器人位置信息，支持帧的重排和网格环境的扩展，为研究者提供了灵活的数据处理方式。

使用方法

该数据集的使用方法包括通过提供的患者文件加载受试者的超声帧和网格环境。研究者可以利用附带的.csv文件重新排列帧或增加每个网格的帧数，以优化训练效果。数据集还提供了用于创建和加载患者文件的Python脚本，便于用户快速上手并进行自定义数据处理。通过引用相关论文，用户可以在学术研究中合法使用该数据集。

背景与挑战

背景概述

ULTRASOUND SACRUM NAVIGATION DATA SET 数据集由34名志愿者的下背部超声扫描数据构成，旨在支持基于强化学习的自主机器人超声导航研究。该数据集由Hannes Hase等研究人员于2020年创建，作为其硕士论文研究的一部分，相关研究成果发表于arXiv平台。数据集的核心研究问题在于如何通过强化学习算法实现机器人对骶骨区域的精准导航，从而为医学影像导航领域提供新的技术手段。该数据集不仅为机器人导航算法的开发提供了丰富的实验数据，还推动了超声影像与人工智能技术的深度融合，具有重要的学术和应用价值。

当前挑战

ULTRASOUND SACRUM NAVIGATION DATA SET 数据集在解决机器人超声导航问题的过程中面临多重挑战。首先，超声影像数据的采集与标注需要高度精确，以确保导航算法的训练效果。其次，数据集的构建涉及复杂的空间网格划分与帧对齐，这对数据处理的效率和准确性提出了较高要求。此外，由于超声影像的噪声较大且个体解剖结构存在差异，如何设计鲁棒的强化学习模型以应对这些不确定性成为关键挑战。在构建过程中，研究人员还需解决机器人位置信息与超声帧的同步问题，以及如何高效存储和管理大规模影像数据的技术难题。

常用场景

经典使用场景

在医学影像处理与机器人导航领域，ULTRASOUND SACRUM NAVIGATION DATA SET 被广泛应用于强化学习算法的训练与验证。该数据集通过提供34名志愿者的下背部超声扫描数据，构建了一个11x15的网格环境，每个网格包含5帧超声图像，用于模拟机器人导航过程中的空间定位与路径规划。这种结构化的数据形式为研究者提供了一个标准化的实验平台，能够有效评估强化学习算法在复杂医学环境中的表现。

解决学术问题

该数据集解决了医学影像导航中机器人自主定位与路径规划的难题。通过提供详细的超声图像及其对应的机器人位置信息，研究者能够训练强化学习代理在复杂的解剖结构中实现精准导航。这不仅推动了机器人辅助超声检查技术的发展，还为医学影像分析中的自动化与智能化提供了重要的数据支持，具有显著的学术价值与应用潜力。

衍生相关工作

基于该数据集，研究者们开展了一系列经典工作。例如，Hase等人提出的基于深度强化学习的超声引导机器人导航方法，利用该数据集实现了机器人自主定位与路径规划。此外，该数据集还被用于开发多模态医学影像融合算法，进一步推动了医学影像分析与机器人导航技术的交叉研究。这些工作不仅验证了数据集的实用性，也为相关领域的研究提供了新的思路与方法。