[논문 리뷰] An AI Framework for Microanastomosis Motion Assessment

Yan Meng, Eduardo Torres-Rodríguez외 6명|arXiv (Cornell University)|2026. 01. 28.

Surgical Simulation and Training인용 수 0

한 줄 요약

요약: 이 논문은 YOLO 기반 탐지, DeepSORT 추적, 도구 끝 위치화, NOMAT 기반 스킬 분류를 활용한 마이크로 재접합 수술 도구 취급 자동 평가를 위한 엔드투엔드 AI 프레임워크를 제시하며, 높은 탐지 정확도와 전문가 평가와의 견고한 일치를 달성한다.

ABSTRACT

Proficiency in microanastomosis is a fundamental competency across multiple microsurgical disciplines. These procedures demand exceptional precision and refined technical skills, making effective, standardized assessment methods essential. Traditionally, the evaluation of microsurgical techniques has relied heavily on the subjective judgment of expert raters. They are inherently constrained by limitations such as inter-rater variability, lack of standardized evaluation criteria, susceptibility to cognitive bias, and the time-intensive nature of manual review. These shortcomings underscore the urgent need for an objective, reliable, and automated system capable of assessing microsurgical performance with consistency and scalability. To bridge this gap, we propose a novel AI framework for the automated assessment of microanastomosis instrument handling skills. The system integrates four core components: (1) an instrument detection module based on the You Only Look Once (YOLO) architecture; (2) an instrument tracking module developed from Deep Simple Online and Realtime Tracking (DeepSORT); (3) an instrument tip localization module employing shape descriptors; and (4) a supervised classification module trained on expert-labeled data to evaluate instrument handling proficiency. Experimental results demonstrate the effectiveness of the framework, achieving an instrument detection precision of 97%, with a mean Average Precision (mAP) of 96%, measured by Intersection over Union (IoU) thresholds ranging from 50% to 95% (mAP50-95).

연구 동기 및 목표

• 신경외과 훈련에서 객관적이고 확장 가능한 미세수술 기술 평가의 필요성에 대응한다.
• 마이크로 재접합에서 도구 취급 평가를 자동화하기 위한 엔드투엔드 AI 시스템을 개발한다.
• 강력한 탐지, 추적, 끝 위치화 및 전문가 라벨링 스킬 분류를 통합한다.
• 훈련 환경에 적합한 실시간, 하드웨어 효율적인 평가를 제공한다.

제안 방법

• 프레임당 두 개의 도구를 허용하는 커스텀 YOLOv11 모델을 이용한 도구 탐지(두 도구/프레임, 서로 다른 유형 제약 포함).
• YOLO 탐지를 우선시하고 DeepSORT를 보완하여 일관된 ID를 유지하는 하이브리드 도구 추적으로 시간적 강건성을 향상시킴.
• 코사인 유사도와 참조 디스크립터 매칭을 활용한 다중 지점 형태 기술자를 통한 도구 끝 위치화.
• 전문가 라벨링 NOMAT 기반 평가에 대해 학습된 지도 분류 모듈로 도구 취급 숙련도 평가를 등급화.
• TSFresh 기반 확장 가능한 특징 표현과 그래디언트 부스팅을 이용한 도구 끝 궤적의 운동 특징 추출(속도, 가속도, jerk) 및 스킬 분류.

실험 결과

연구 질문

• RQ1 마이크로 재접합 비디오에서 microsurgical 도구 변형을 보완한 YOLO 기반 탐지기가 얼마나 정확하게 탐지할 수 있는가?
• RQ2 통합 추적 및 끝 위치화가 객관적 스킬 평가를 위한 신뢰할 수하고 연속적인 운동학 데이터를 제공하는가?
• RQ3 NOMAT 라벨로 학습된 지도 모델이 전문가 평가를 얼마나 잘 재현하는가?
• RQ4 제안된 프레임워크의 실시간 계산 성능이 훈련 환경에서 어떤가?

주요 결과

• 도구 탐지 정확도 전체: 0.969, mAP50 0.987, mAP50–95 0.906.
• 평균 실시간 처리 속도: 29.7 프레임/초.
• 전반적인 스킬 분류 정확도: 0.87으로 Poor, Moderate, Good 카테고리에서 달성.
• 클래스별 스킬 지표는 Moderate 및 Good 클래스에서 Poor보다 우수한 성능을 나타내며, 주석 변이 및 데이터셋 규모 이슈를 시사.
• YOLO 오탐/재탐지에 대한 추적 개선으로 회복(98.7%) 및 보정(90.6%)율이 크게 향상.
• 도구 끝 위치화는 프레임 간 높은 공간 정확도를 유지하여 신뢰할 수 있는 후속 운동 분석을 가능하게 함.