[論文レビュー] A New Classification Approach for Robotic Surgical Tasks Recognition

Mehrdad J. Bani, Shoele Jamali|arXiv (Cornell University)|Jul 12, 2017

Time Series Analysis and Forecasting参考文献 24被引用数 4

ひとこと要約

本論文は、da Vinci外科手術システムからの3次元デカルト運動軌跡のみを用いて、縫合、結び目結び、ニードルパスの3つの基本的なロボット支援外科学研究術を認識するための新規な分類フレームワークを提案する。誘導的動的時系列ワープ（DDTW）と距離重み付きk近傍法（k-NN）を組み合わせた手法により、タスク認識で99.4％の正確性を達成し、時間的運動パターンが外科学的タスク分類において顕著に判別可能であることが示された。

ABSTRACT

Automatic recognition and classification of tasks in robotic surgery is an important stepping stone toward automated surgery and surgical training. Recently, technical breakthroughs in gathering data make data-driven model development possible. In this paper, we propose a framework for high-level robotic surgery task recognition using motion data. We present a novel classification technique that is used to classify three important surgical tasks through quantitative analyses of motion: knot tying, needle passing and suturing. The proposed technique integrates state-of-the-art data mining and time series analysis methods. The first step of this framework consists of developing a time series distance-based similarity measure using derivative dynamic time warping (DDTW). The distance-weighted k-nearest neighbor algorithm was then used to classify task instances. The framework was validated using an extensive dataset. Our results demonstrate the strength of the proposed framework in recognizing fundamental robotic surgery tasks.

研究の動機と目的

• 運動データを用いた高水準のロボット支援外科学術の自動認識のためのデータ駆動型フレームワークの開発。
• 縫合、結び目結び、ニードルパスなどの基本的外科学術を、最小限の人的介入で分類する課題への対処。
• 時間系列類似度測定法（特にDTWとDDTW）が外科学的運動の判別的特徴をどれだけ的確に捉えられるかを評価すること。
• ビデオや複雑な前処理に依存せず、ツール先端位置データのみを用いたシンプルで正確な外科学術認識手法の確立。

提案手法

• フレームワークは、右および左の外科学術器具からの3次元デカルト運動軌跡を入力データとして使用する。
• 時間系列距離に基づく類似度測定法として、誘導的動的時系列ワープ（DDTW）を用いて運動シーケンスを整列・比較する。
• DDTW法は、運動信号の微分に注目することで、局所的なピークや谷の影響を軽減し、整列のロバスト性を向上させる。
• 分類には距離重み付きk近傍法（k-NN）を採用し、各テストインスタンスは、最も類似したk個のトレーニングインスタンスの重み付き投票に基づいて分類される。
• モデルの性能評価と一般化の確保のため、交差検証法（10分割交差検証および1人ずつ除外法）を用いる。
• 本手法は、da Vinci外科手術システムから収集した実世界のデータセットを用いてトレーニングおよびテストされ、運動学的データのみを対象としている。

実験結果

リサーチクエスチョン

• RQ1 ロボット支援外科学術システムの運動軌跡データは、ビデオや視覚的手がかりなしに、高水準の外科学術タスクを効果的に分類するために使用可能か？
• RQ2 縫合、結び目結び、ニードルパスのような外科学術タスクの判別的特徴を捉える際に、DTWとDDTWはどのように比較されるか？
• RQ3 DDTWにおける微分情報の組み込みは、この分野において標準的なDTWに比べて分類正確性を向上させるか？
• RQ4 時間系列類似度測定法を用いたシンプルなk-NN分類器は、外科学術タスク認識においてどれほど高い正確性を達成できるか？
• RQ5 基本的なロボット支援外科学術タスクの時間的運動パターンは、異なる外科医や熟練度においても十分に明確に区別可能であり、信頼性のある分類が可能か？

主な発見

• 提案されたフレームワークは、両手の運動データを用いた1人ずつ除外法交差検証で最高99.4％の分類正確性を達成した。
• すべての評価設定においてDTWがDDTWを常に上回り、ツール先端軌跡の局所的ピークや谷が外科学術タスクの分類に意味のある判別的特徴であることが示された。
• 両手の運動データでは、DTW-k-NNは10分割交差検証で99.28％、1人ずつ除外法検証で99.40％の正確性を達成し、標準偏差が0.00％（LOO）と非常に低く、高い安定性を示した。
• すべてのタスクで高い特異性を示し、1人の外科医の結び目結びのインスタンスのみがニードルパスに誤分類されたことから、異なる外科医に対してもロバストであることが確認された。
• DDTWは理論的にノイズに強いとされるが、実際にはDTWに劣り、原始的な運動ダイナミクスがタスクの区別に重要な情報を含んでいることが示唆された。
• 結果から、縫合、結び目結び、ニードルパスの時間系列特徴は、運動学的軌跡のみを用いたデータ駆動型分類が可能となるほど十分に明確に区別可能であることが確認された。