توصيفگر ها :
تعامل فيزيكي با ربات , شناسايي سيستم , برش خودكار بافت نرم ويسكوالاستيك , تلفيق دادههاي نيرو و بينايي , پردازش تصوير , بينايي ماشين , روشهاي هوشمند , الگوريتمهاي يادگيري ماشين
چكيده فارسي :
برش بافت بهعنوان يكي از مهارتهاي اساسي در جراحي، بهطور مستقيم بر نتيجهي جراحي و بهبودي پس از عمل بيماران تأثير ميگذارد. برش خودكار با كمك ربات، ميتواند تاثير خستگي جراح را در مراحل طولاني كم اثر نمايد، عمليات پرتكرار را با دقت بالا كامل كند و كارايي كلي جراحي را بهبود بخشد. اين مهم، در مسائل مربوط به دورا-پزشكي و بهخصوص جراحيهاي از راه دور، اهميت دوچندان پيدا ميكند. در جراحيهاي واقعي، بافتهايي كه قرار است برش داده شوند را ميتوان به دو گروه تقسيم كرد: نرم و الاستيك (مانند پوست، تاندونها، رباطها، سلول و غيره) يا سخت و شكننده (مانند لامينا، جمجمه، طاعون كلسيفيه و غيره). در اين پژوهش، ما با تمركز بر روي بافتهاي گروه اول، به مطالعهي مسئله برش بافت نرم بهوسيله يك بازوي رباتيكي ميپردازيم. بدين منظور، يك الگوريتم تركيبي جديد مبتني بر نيرو و بينايي، طراحي و اجرا گرديده است. اين الگوريتم جامع با تلفيق دادههاي نيرو و تصوير، قابليت نظارت و تحليل دقيق تعامل فيزيكي تيغ جراحي با بافت را در طول مراحل مختلف برش، فراهم ميسازد و منجر به شناسايي رفتار بافت نرم ميگردد. در پژوهش حاضر، ابتدا پس از بررسي تحقيقات پيشين، دو مدل مكانيكي مختلف براي برش بافت نرم با تيغ جراحي پيشنهاد شده است. اين مدلهاي مكانيكي برش، رفتار فيزيكي يك بافت نرم را در فاز پيش از پارگي (تغيير شكل) و فاز پارگي و برش (بهصورت يكپارچه) توصيف ميكنند. با استفاده از مدلهاي ارائه شده، ميتوانيم به درك درستي از تعامل دست يابيم و حتي در صورت چندلايه بودن بافت، خواص مكانيكي هر لايه از بافت كه نوك تيغ در آن قرار دارد را شناسايي كنيم. در نتيجه ميتوانيم با كنترل دقيق و اعمال نيروي متناسب با هر لايه، آسيب به بافت و محيط اطراف آن را به حداقل برسانيم. در ادامهي تحقيق پيشرو، با استفاده از تكنيكهاي پردازش تصوير، تشخيص تيغ جراحي و تعيين نوع فاز تعامل (پيش از برش و حين برش) بهصورت برخط، انجام گرفته است. سپس به منظور تخمين عمق برش و مساحت تيغه درگير با بافت، دو الگوريتم يادگيري ماشين جديد ارائه و اعتبارسنجي ميگردند. در نهايت، پارامترهاي مدلهاي مكانيكي پيشنهادي در دو فاز، با استفاده از الگوريتمهاي هوشمند شبكه عصبي، شناسايي و گزارش شده است. لازم به ذكر است كه روش پيشنهادي طي آزمايشهاي متعدد با استفاده از بافتهاي مصنوعي ويسكوالاستيك و بازوي 7 درجه آزادي KUKA LBR پيادهسازي و ارزيابي شده است.
چكيده انگليسي :
Tissue cutting, as one of the fundamental skills in surgery, directly impacts surgical outcomes and postoperative recovery of patients. Robot-assisted automatic cutting can reduce surgeon fatigue during prolonged procedures, execute repetitive tasks with high precision, and enhance the overall efficiency of surgery. This advantage becomes particularly significant in the context of telemedicine, especially remote surgeries. In real surgical procedures, the tissues to be cut can generally be categorized into two groups: soft and elastic tissues (such as skin, tendons, ligaments, and cells) or hard and brittle tissues (such as the lamina, skull, and calcified plaques). In this study, we focus on the first group of tissues and investigate the challenge of soft tissue cutting using a robotic arm. To this end, a novel hybrid algorithm based on force and vision has been developed and implemented. By integrating force and visual data, this comprehensive algorithm enables precise monitoring and analysis of the physical interaction between the surgical blade and tissue throughout different cutting phases, ultimately leading to accurate identification of soft tissue behavior. Initially, after reviewing previous research, two distinct mechanical models for soft tissue cutting using a surgical blade are proposed. These mechanical cutting models describe the physical behavior of soft tissue during the pre-fracture phase (deformation) and the post-fracture phases (rupture and cutting). Using the proffered models, we can better understand the interaction and, even in multilayer tissues, identify the mechanical properties of each tissue layer where the blade tip is located. As a result, we can minimize damage to the tissue and its surrounding environment by applying force appropriate to each layer. Further in this research, image processing techniques are employed to detect the surgical blade and determine the type of interaction phase (pre-cutting or during cutting) in real-time. Subsequently, two novel machine learning algorithms are introduced and validated for estimating the cutting depth and the interaction area between the blade and the tissue. Finally, the parameters of the proposed mechanical models in both phases are identified and reported using neural network algorithms. A series of experiments is conducted using different viscoelastic synthetic tissues and a 7-DOF KUKA LBR robotic arm to identify the model parameters and validate the effectiveness of the proposed approach.
