Autonomous Robotic Drilling System for Mice Cranial Window Creation: An Evaluation with an Egg Model

要約

生命科学における実験操作におけるロボット支援により、科学者のスキルに関係なく、貴重なサンプルの正確な操作が可能になることが期待されています。
ライフサイエンスにおける実験標本は個体差や変形が生じるため、自律的なロボット制御が必要となります。
一例として、私たちはマウスの頭蓋窓の設置を研究しています。
この手術では、厚さ約300μmの頭蓋骨を取り除き、直径8mmの円形に切り出す必要がありますが、マウスの頭蓋骨の形状はマウスの系統、性別、週齢によって異なります。
頭蓋骨の厚さは均一ではなく、薄い部分もあれば厚い部分もあります。
また、各操作でマウスの頭蓋骨を確実に同じ位置に保つことも困難です。
これらすべての特徴を測定し、個々のマウスのロボットの軌道を事前にプログラムすることは現実的には不可能です。
そこで本論文では、自律型ロボットによる掘削方法を提案する。
提案手法は掘削軌跡計画と画像ベースの作業完了レベル認識から構成される。
軌道計画では、各離散点のタスク完了レベルに応じてドリルの Z 位置を調整し、オーバーシュートを回避しながら制約付き 3 次スプライン補間によって 3D 穴あけパスを形成します。
タスク完了レベルの認識では、DSSD からインスピレーションを得た深層学習モデルを使用して、各離散ポイントのタスク完了レベルを推定します。
卵は、形状、厚さ、機械的特性の点でマウスの頭蓋骨と同様の特徴を持っているため、下の膜を損傷することなく卵の殻を除去することがシミュレーションタスクとして選択されました。
提案された方法は、ドリルを保持する 6 自由度のロボット アームを使用して評価され、20 回の試行中 80% の成功率を達成しました。

要約(オリジナル)

Robotic assistance for experimental manipulation in the life sciences is expected to enable precise manipulation of valuable samples, regardless of the skill of the scientist. Experimental specimens in the life sciences are subject to individual variability and deformation, and therefore require autonomous robotic control. As an example, we are studying the installation of a cranial window in a mouse. This operation requires the removal of the skull, which is approximately 300 um thick, to cut it into a circular shape 8 mm in diameter, but the shape of the mouse skull varies depending on the strain of mouse, sex and week of age. The thickness of the skull is not uniform, with some areas being thin and others thicker. It is also difficult to ensure that the skulls of the mice are kept in the same position for each operation. It is not realistically possible to measure all these features and pre-program a robotic trajectory for individual mice. The paper therefore proposes an autonomous robotic drilling method. The proposed method consists of drilling trajectory planning and image-based task completion level recognition. The trajectory planning adjusts the z-position of the drill according to the task completion level at each discrete point, and forms the 3D drilling path via constrained cubic spline interpolation while avoiding overshoot. The task completion level recognition uses a DSSD-inspired deep learning model to estimate the task completion level of each discrete point. Since an egg has similar characteristics to a mouse skull in terms of shape, thickness and mechanical properties, removing the egg shell without damaging the membrane underneath was chosen as the simulation task. The proposed method was evaluated using a 6-DOF robotic arm holding a drill and achieved a success rate of 80% out of 20 trials.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google