基于机器人辅助手术中的变压器模型进行手术活动识别和预测的实时方法
Ketai Chen1, D S V Bandara2, Jumpei Arata1
1Advanced Medical Devices Laboratory, Kyushu University, Nishi-ku, Fukuoka, 819-0382, Japan.
International journal of computer assisted radiology and surgery
|January 12, 2025
概括
这项研究引入了一个深度学习的变压器模型,用于实时手术活动识别和预测机器人辅助微创手术 (RAMIS),实现高精度和低延迟.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 手术技术 手术技术
背景情况:
- 机器人辅助微创手术 (RAMIS) 提供了许多好处,但需要先进的实时监控工具.
- 手术活动的识别和预测对于提高RAMIS的安全性和效率至关重要.
研究的目的:
- 开发和评估深度学习模型,用于识别和预测RAMIS中的外科手术活动.
- 为实时手术风险监测系统实施该模型.
主要方法:
- 一个没有位置编码的修改过的变压器模型,具有1个编码器和3个解码器.
- 该模型处理来自机器人手臂关节的动态数据,用于手势识别,预测和终端效应器轨迹预测.
主要成果:
- 在手势识别方面达到94.4%的准确率,在手势预测方面达到84.82%.
- 对于1秒的预测预测,预测误差为1.34mm.
- 显示的最小计算时间为每次代4.2ms.
结论:
- 与现有研究相比,拟议的模型显示出优越的性能.
- 它在RAMIS实时集成的潜力可以显著提高外科活动的识别和预测.
- 这有助于提高机器人手术中的患者安全和医疗保健结果.
