机器人辅助手术中执行错误的运行时检测
计算机视觉与模式识别
2022-03-03 v1 机器学习
机器人学
摘要
尽管手术机器人的设计和用于客观评估手术技能的自动化技术取得了显著发展，但在确保机器人辅助微创手术（RMIS）的安全性方面仍然存在挑战。本文提出了一种运行时监控系统，通过分析运动学数据来检测手术任务期间的执行错误。所提出的系统结合了双胞胎神经网络和手术上下文知识，包括手术任务和手势、它们的分布相似性以及常见错误模式，以从小型训练数据集中学习正常和错误手术轨迹之间的差异。我们使用 JIGSAWS 数据集中缝合和穿针任务的干实验室演示，评估了使用孪生网络与使用不同级别上下文知识和训练数据训练的单 CNN 和 LSTM 网络进行错误检测的性能。我们的结果表明，特定于手势但非特定于任务的孪生网络获得了 0.94（孪生-CNN）和 0.95（孪生-LSTM）的微 F1 分数，并且性能优于单 CNN（0.86）和 LSTM（0.87）网络。这些孪生网络在缝合和穿针任务上也优于非特定于手势但特定于任务的孪生-CNN 和孪生-LSTM 模型。
引用
@article{arxiv.2203.00737,
title = {Runtime Detection of Executional Errors in Robot-Assisted Surgery},
author = {Zongyu Li and Kay Hutchinson and Homa Alemzadeh},
journal= {arXiv preprint arXiv:2203.00737},
year = {2022}
}
备注
7 pages, 6 figures, accepted for 2022 International Conference on Robotics and Automation (ICRA)