ETSM: Automating Dissection Trajectory Suggestion and Confidence Map-Based Safety Margin Prediction for Robot-assisted Endoscopic Submucosal Dissection

要約

ロボット支援内視鏡粘膜下層剥離術 (ESD) は、高度なロボット器具と両手操作によるより包括的なビューを提供することで外科手術を改善し、それによって剥離の効率と精度を向上させます。
解剖軌跡を正確に予測することは、より適切な意思決定、術中エラーの削減、および外科訓練の向上に不可欠です。
それにも関わらず、腫瘍の縁や動的視覚条件が変化するため、これらの軌跡を予測することは困難です。
この問題に対処するために、双腕ロボット システムによる粘膜下解剖に焦点を当て、$1849$ の短いクリップを含む ESD 軌跡および信頼マップベースの安全マージン (ETSM) データセットを作成しました。
また、最適な解剖軌跡予測と信頼マップベースの安全マージンを組み合わせたフレームワークも導入し、ESD 処置の外科的リスクを最小限に抑えるためのより安全でインテリジェントな意思決定ツールを提供します。
さらに、回帰ベースの信頼マップ予測ネットワーク (RCMNet) を提案します。これは回帰アプローチを利用して解剖領域の信頼マップを予測し、それによってさまざまなレベルの安全マージンを示します。
私たちは、ドメイン内評価、堅牢性評価、ドメイン外評価という 3 つの異なる実験設定を使用して RCMNet を評価します。
実験結果は、私たちのアプローチが信頼マップベースの安全マージン予測タスクにおいて優れており、わずか 3.18 ドルの平均絶対誤差 (MAE) を達成していることを示しています。
私たちの知る限り、これは解剖領域のさまざまな安全レベルの描写に関する視覚的なガイダンスに回帰アプローチを適用した最初の研究です。
私たちのアプローチは、予測精度を向上させ、解剖プロセスの安全性を高めることで現在の研究のギャップを埋め、実際に大きな臨床的意義を示しています。

要約(オリジナル)

Robot-assisted Endoscopic Submucosal Dissection (ESD) improves the surgical procedure by providing a more comprehensive view through advanced robotic instruments and bimanual operation, thereby enhancing dissection efficiency and accuracy. Accurate prediction of dissection trajectories is crucial for better decision-making, reducing intraoperative errors, and improving surgical training. Nevertheless, predicting these trajectories is challenging due to variable tumor margins and dynamic visual conditions. To address this issue, we create the ESD Trajectory and Confidence Map-based Safety Margin (ETSM) dataset with $1849$ short clips, focusing on submucosal dissection with a dual-arm robotic system. We also introduce a framework that combines optimal dissection trajectory prediction with a confidence map-based safety margin, providing a more secure and intelligent decision-making tool to minimize surgical risks for ESD procedures. Additionally, we propose the Regression-based Confidence Map Prediction Network (RCMNet), which utilizes a regression approach to predict confidence maps for dissection areas, thereby delineating various levels of safety margins. We evaluate our RCMNet using three distinct experimental setups: in-domain evaluation, robustness assessment, and out-of-domain evaluation. Experimental results show that our approach excels in the confidence map-based safety margin prediction task, achieving a mean absolute error (MAE) of only $3.18$. To the best of our knowledge, this is the first study to apply a regression approach for visual guidance concerning delineating varying safety levels of dissection areas. Our approach bridges gaps in current research by improving prediction accuracy and enhancing the safety of the dissection process, showing great clinical significance in practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google