[论文解读] 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 4

一句话总结

本文提出了一种新颖的分类框架，仅使用达芬奇手术系统提供的3D笛卡尔运动轨迹，对三种基本机器人外科手术任务——缝合、打结和持针传递——进行识别。通过结合导数动态时间规整（DDTW）与距离加权k近邻（k-NN）方法，该方法在任务识别中实现了99.4%的准确率，表明时间上的运动模式对于外科手术任务分类具有高度判别性。

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.

研究动机与目标

• 开发一种基于数据驱动的框架，利用运动数据实现对高级机器人外科手术任务的自动识别。
• 解决仅使用最少人工干预对缝合、打结和持针传递等基本外科手术任务进行分类的挑战。
• 评估时间序列相似性度量方法——特别是DTW和DDTW——在捕捉外科运动判别特征方面的有效性。
• 建立一种仅依赖器械尖端位置数据、无需视频或复杂预处理的简单而准确的外科手术任务识别方法。

提出的方法

• 该框架以达芬奇手术系统中右、左手术器械的3D笛卡尔运动轨迹作为输入数据。
• 采用基于时间序列距离的相似性度量方法，利用导数动态时间规整（DDTW）对运动序列进行对齐与比较。
• DDTW方法通过聚焦于运动信号的导数，增强了对齐的鲁棒性，降低了对局部峰值和谷值的敏感性。
• 采用距离加权k近邻（k-NN）进行分类，其中每个测试样本根据其k个最相似训练样本的加权投票结果进行分类。
• 采用交叉验证技术（10折交叉验证与留一法）评估模型性能并确保泛化能力。
• 该方法在真实世界中从达芬奇手术系统收集的数据集上进行训练与测试，仅关注运动学数据。

实验结果

研究问题

• RQ1 能否有效利用机器人外科手术系统的运动轨迹数据，在无视频或视觉线索的情况下对高级外科手术任务进行分类？
• RQ2 DTW与DDTW在捕捉缝合、打结和持针传递等外科手术任务的判别特征方面表现如何比较？
• RQ3 在DDTW中引入导数信息是否能相比标准DTW提升该领域内的分类准确率？
• RQ4 在手术任务识别中，仅使用时间序列相似性度量的简单k-NN分类器能在多大程度上实现高准确率？
• RQ5 基本机器人外科手术任务的时间运动模式是否足够显著，以实现不同外科医生和技能水平下的可靠分类？

主要发现

• 所提出的框架在使用双侧运动数据进行留一法交叉验证时，最高分类准确率达到99.4%，采用的是DTW方法。
• 在所有评估设置中，DTW始终优于DDTW，表明器械尖端轨迹中的局部峰值和谷值是外科手术任务的有意义判别特征。
• 对于双侧运动数据，DTW-k-NN在10折交叉验证中达到99.28%的准确率，在留一法验证中达到99.40%，标准差极低（LOO下为0.00%），表明具有高度稳定性。
• 该方法在不同外科医生间表现出强鲁棒性，所有任务均具有高特异性，仅有一例打结任务被错误分类为持针传递。
• 尽管DDTW在理论上对噪声具有更强的鲁棒性，但其性能仍逊于DTW，表明原始运动动态中包含对任务区分至关重要的信息。
• 结果证实，缝合、打结和持针传递的时间序列特征足够显著，可仅基于运动学轨迹实现准确、数据驱动的分类。