[논문 리뷰] A New Classification Approach for Robotic Surgical Tasks Recognition

Mehrdad J. Bani, Shoele Jamali|arXiv (Cornell University)|2017. 07. 12.

Time Series Analysis and Forecasting참고 문헌 24인용 수 4

한 줄 요약

이 논문은 da Vinci 수술 시스템에서의 3차원 카르테시안 운동 궤적만을 사용하여 세 가지 기본로봇 수술 작업—봉합, 매듭 매기, 바늘 전달—을 인식하는 새로운 분류 프레임워크를 제안한다. 파생 동적 시간 왜곡(DDTW)과 거리 가중 k-최근접 이웃(k-NN)을 조합한 방법은 작업 인식에서 99.4%의 정확도를 달성하여 시간적 운동 패턴이 수술 작업 분류에 매우 구분 가능한 특징을 지닌다는 것을 입증한다.

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.

연구 동기 및 목표

• 운동 데이터를 사용하여 고수준의 로봇 수술 작업을 자동으로 인식하기 위한 데이터 기반 프레임워크를 개발하기 위해.
• 봉합, 매듭 매기, 바늘 전달와 같은 기본 수술 작업을 최소한의 인간 간섭으로 분류하는 과제를 해결하기 위해.
• 특히 DTW와 DDTW와 같은 시계열 유사도 측정 방법이 수술 운동의 구분 가능한 특징을 어떻게 포착하는지 평가하기 위해.
• 비디오나 복잡한 전처리 없이 도구 끝 위치 데이터만을 사용하여 단순하면서도 정확한 수술 작업 인식 방법을 수립하기 위해.

제안 방법

• 프레임워크는 오른쪽 및 왼쪽 수술 기구의 3차원 카르테시안 운동 궤적을 입력 데이터로 사용한다.
• 운동 시퀀스를 정렬하고 비교하기 위해 도구의 도함수를 기반으로 한 파생 동적 시간 왜곡(DDTW)을 사용하여 시계열 거리 기반 유사도 측정 방법을 구축한다.
• DDTW 방법은 운동 신호의 도함수에 초점을 맞추어 국소적 피크와 골짜기를 감소시킴으로써 정렬의 강건성을 향상시킨다.
• 분류에 거리 가중 k-최근접 이웃(k-NN)을 사용하며, 각 테스트 인스턴스는 가장 유사한 k개의 학습 인스턴스의 가중 투표에 기반하여 분류된다.
• 모델 성능 평가 및 일반화 능력 확보를 위해 교차 검증 기법(10겹 및 한 개 생략)을 사용한다.
• 이 방법은 로봇 수술 시스템에서 수집한 실제 데이터셋을 기반으로 훈련 및 테스트되었으며, 영상이나 복잡한 전처리 없이 운동학적 데이터에만 초점을 맞추었다.

실험 결과

연구 질문

• RQ1 로봇 수술 시스템의 운동 궤적 데이터만으로 영상이나 시각적 단서 없이 고수준 수술 작업을 효과적으로 분류할 수 있는가?
• RQ2 봉합, 매듭 매기, 바늘 전달와 같은 수술 작업의 구분 가능한 특징을 포착하는 데 DTW와 DDTW는 어떻게 비교되는가?
• RQ3 DDTW에서 도함수 정보를 포함함으로써 표준 DTW에 비해 분류 정확도가 향상되는가?
• RQ4 시계열 유사도 측정 방법과 함께 단순한 k-NN 분류기가 수술 작업 인식에서 높은 정확도를 달성할 수 있는 정도는 어느 정도인가?
• RQ5 기본로봇 수술 작업의 시간적 운동 패턴이 다양한 수술의사와 숙련도 수준 간에 충분히 구분 가능하여 신뢰성 있는 분류가 가능한가?

주요 결과

• 제안된 프레임워크는 양손 운동 데이터에 대해 이탈리안 교차검증(leave-one-out)을 사용하여 최고의 분류 정확도 99.4%를 달성했다.
• 모든 평가 설정에서 DTW가 DDTW를 일관되게 능가하여, 도구 끝 궤적의 국소적 피크와 골짜기가 수술 작업에 대해 의미 있는 구분 가능한 특징임을 시사한다.
• 양손 운동 데이터의 경우, DTW-k-NN는 10겹 교차검증에서 99.28%의 정확도를, 이탈리안 교차검증에서는 99.40%의 정확도를 기록했으며, 표준편차가 0.00%로 매우 낮아 높은 안정성을 보였다.
• 모든 수술의사에 걸쳐 강건성을 입증하였으며, 모든 작업이 높은 특이도를 보였고, 매듭 매기 작업 중 유일한 한 건이 바늘 전달로 잘못 분류되었다.
• DDTW는 노이즈에 대한 이론적 우수성을 지녔음에도 불구하고 DTW에 비해 성능이 열 劣하였으며, 이는 원시 운동 역학이 작업 간 구분에 핵심 정보를 포함하고 있음을 시사한다.
• 결과적으로 봉합, 매듭 매기, 바늘 전달의 시계열 특징가 충분히 구분 가능하여, 운동학적 궤적만을 사용하여 정확하고 데이터 기반의 분류가 가능함을 확인하였다.