Μοντελοποίηση Κινήσεων σε Εικονικό Προσομοιωτή Παρακέντησης με Απτική Ανάδραση χρησιμοποιώντας Κρυφά Μαρκοβιανά Μοντέλα για την Αυτόματη Αναγνώριση και Αντικειμενική Αξιολόγηση Χειρουργικών Δεξιοτήτων

Abstract

Τα τελευταία χρόνια έχουν αυξηθεί σημαντικά οι ερευνητικές προσπάθειες που επιδιώκουν την δημιουργία προσομοιωτών χειρουργικών επεμβάσεων εικονικής πραγματικότητας για την εκπαίδευση των ειδικευόμενων ιατρών. Συγχρόνως, αυξάνονται οι εφαρμογές των κρυφών μαρκοβιανών μοντέλων (ΗΜΜ) σε θέματα αυτόματης αναγνώρισης κίνησης και αντικειμενικής αξιολόγησης δεξιοτήτων. Σε αυτήν τη διπλωματική εργασία επιδιώξαμε, με την χρήση των κρυφών Μαρκοβιανών μοντέλων (ΗΜΜ), να επιτύχουμε την μοντελοποίηση της παρακέντησης της υποκλειδίου φλέβας, όπως την εκτέλεσαν έμπειροι χειρουργοί χρησιμοποιώντας έναν εικονικό προσομοιωτή απτικής ανάδρασης που έχει αναπτυχθεί πειραματικά στο Εργαστήριο Ρομποτικής της Σχολής ΗΜΜΥ ΕΜΠ. Αρχικά, μοντελοποιήθηκε ο τρόπος εκτέλεσης της επέμβασης και δημιουργήθηκε ένας μεγάλος αριθμός θεωρητικών δεδομένων με τα οποία εξετάστηκε το νέο μας σύστημα αναγνώρισης. Στην συνέχεια, πραγματοποιήθηκε ένα πείραμα στο οποίο συμμετείχαν δύο ομάδες χρηστών: αυτή των έμπειρων χειρουργών και αυτή των αρχάριων. Κατά την επεξεργασία των πειραματικών δεδομένων εξετάσθηκε κατά πόσο το σύστημά μας μοντελοποιεί ικανοποιητικά τις συγκεκριμένες απλές χειρουργικές κινήσεις, αξιολογήθηκε η επίδοση του συστήματός ως προς την αυτόματη αναγνώριση κινήσεων, καθώς και το ποσοστό επιτυχούς εκτίμησης του επιπέδου δεξιοτήτων κάθε χρήστη, δηλαδή εάν μία πειραματική δοκιμή προέρχεται από έμπειρο ή αρχάριο χρήστη. Επιπροσθέτως, διερευνήσαμε την ύπαρξη διαφοροποιήσεων στις εκτελούμενες κινήσεις, οι οποίες οφείλονται στην ενεργοποίηση ή μη της ανάδρασης δύναμης, και εξετάσαμε τον βαθμό στον οποίο η απτική ανάδραση επηρεάζει την αποδοτική εκπαίδευση των (αρχάριων) χρηστών. Τα ποσοστά επίδοσης που επιτύχαμε με την συγκεκριμένη πειραματική διαδικασία είναι αρκετά ενθαρρυντικά για την επιστημονική κοινότητα, ειδικά λαμβάνοντας υπόψη ότι ο προσομοιωτής στον οποίο στηρίχθηκε η εργασία αυτή βρίσκεται σε πρωτότυπο πειραματικό στάδιο.

In recent years the research efforts that seek to create virtual reality surgical simulators for training junior medical doctors have significantly increased. At the same time, the applications of hidden Markov models (HMM) for automatic motion recognition and objective skill assessment are also increasing. In this diploma thesis, we have used hidden Markov models (HMM) to achieve modeling of the subclavian vein paracentesis procedure, as performed by experienced surgeons on a virtual reality simulator, developed at the Intelligent Robotics Laboratory of the School of ECE at NTUA. Originally, we modeled the motions involved in this procedure as executed by experienced surgeons and created a large number of theoretical data, to examine at a first stage the performance of the prototype recognition system. A series of real experiments on the simulator was then conducted, involving two groups of users: a group of experienced surgeons and a group of novices. The obtained experimental data were processed to examine how well our system models the simple surgical maneuvers involved in this procedure, to evaluate the accuracy of the system in achieving automatic motion recognition, and to assess the system performance in terms of estimating the level of skill of a user, that is, to discriminate whether a data set comes from an expert or a novice user. Furthermore, we investigated the effect that the activation of haptic feedback had on the experimental results, particularly in terms of the differences observed between the motions executed and the learning performance achieved by novice users (trainees). The success rates achieved by our system in this experimental procedure are quite promising, regarding further application of such automatic pattern recognition methodologies in haptic / surgical skill modeling and assessment, particularly keeping in mind that the simulator which has supported this work constitutes a prototype platform.