Uncertainty-aware Self-supervised Learning for Cross-domain Technical Skill Assessment in Robot-assisted Surgery

要約

タイトル：ロボット支援手術における異種ドメイン技術スキル評価の不確実性を考慮した自己教師あり学習

要約：

– ロボット支援手術において、客観的な技術スキル評価は新しい外科医の効果的な訓練に必須である。
– 本論文では、ラベル付き運動学的データから未ラベルのデータへのドメイン知識転送によるスキル評価の新しいアプローチを提案する。
– 提案手法はSuturing、Needle Passing、Knot Tyingのような一般的な手術訓練タスクからのラベル付きデータと未ラベルデータを共同でトレーニングする。
– 不確実性評価を組み込んだ反復的な手順を使用して、未ラベルデータ用の疑似ラベルが生成され、正確なラベリングが保証される。
– da Vinci Research Kit（dVRK）からのデータを使用して、バーチャルリアリティシミュレーショントレーニングタスク（Ring Transfer）で手法を評価し、ロボット支援の訓練が、支援なしのグループよりも専門家の可能性が高いことが示された。
– 本手法は、ロボット支援手術の訓練タスクに対する手動ラベリングや事前知識を必要とせず、既存の手法と比較して有益である。

要約(オリジナル)

Objective technical skill assessment is crucial for effective training of new surgeons in robot-assisted surgery. With advancements in surgical training programs in both physical and virtual environments, it is imperative to develop generalizable methods for automatically assessing skills. In this paper, we propose a novel approach for skill assessment by transferring domain knowledge from labeled kinematic data to unlabeled data. Our approach leverages labeled data from common surgical training tasks such as Suturing, Needle Passing, and Knot Tying to jointly train a model with both labeled and unlabeled data. Pseudo labels are generated for the unlabeled data through an iterative manner that incorporates uncertainty estimation to ensure accurate labeling. We evaluate our method on a virtual reality simulated training task (Ring Transfer) using data from the da Vinci Research Kit (dVRK). The results show that trainees with robotic assistance have significantly higher expert probability compared to these without any assistance, p < 0.05, which aligns with previous studies showing the benefits of robotic assistance in improving training proficiency. Our method offers a significant advantage over other existing works as it does not require manual labeling or prior knowledge of the surgical training task for robot-assisted surgery.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI