Surgical Vision ROS2: a ROS2 Humble pipeline for intraoperative wound assessment and variable-autonomy arm control

Resumen Técnico: Surgical Vision ROS2

Planteamiento del Problema
Los robots quirúrgicos teleoperados dependen actualmente de forma exclusiva de los operadores humanos para inspeccionar el tejido, juzgar el estado de las heridas y decidir los movimientos del brazo. El brazo robótico carece de una visión perceptiva independiente del sitio quirúrgico y no puede modificar su comportamiento basándose en señales visuales. Esta disposición es efectiva para cirujanos experimentados, pero plantea riesgos en entornos de formación (donde los aprendices pueden pasar por alto señales) y durante procedimientos prolongados (donde la atención puede disminuir). El artículo identifica la necesidad de una capa de "asistencia condicionada por la percepción" que monitoree la herida de forma independiente y restrinja la autonomía del brazo, actuando como un juicio secundario y más económico para detectar errores que el operador podría omitir.

Metodología
Los autores presentan Surgical Vision ROS2, un flujo de trabajo de software construido sobre ROS2 Humble y OpenCV que acopla la percepción de la herida al control del brazo de autonomía variable.

• Arquitectura: El sistema consta de cuatro nodos de ROS2 desacoplados conectados en una cadena lineal de productor-consumidor:

  1. lesion_detector_node: Lee imágenes, calcula un puntaje de estilo clínico y publica el estado.
  2. behavior_manager_node: Mapea el puntaje a un nivel de autonomía y publica el modo.
  3. surgeon_console_node: Aplica el nivel de autonomía (restringiendo los comandos del operador).
  4. moveit_bridge_node: Envía los comandos aprobados a MoveIt2 para su ejecución.
  • La comunicación ocurre a través de tópicos basados en cadenas de texto (/scene_state, /autonomy_mode, /arm_command), lo que garantiza la modularidad.

• Marco de Calificación (ABCDE): La lógica de visión adapta el marco dermatológico ABCDE (Asimetría, Borde, Color, Diámetro, Evolución) a las heridas quirúrgicas. Calcula cinco sub-puntajes (0–2) basados en métricas de imagen (por ejemplo, solidez del contorno, varianza de Laplacian, clasificación de color HSV) para generar un puntaje total (0–10).

  • Mapeo de Veredicto: Los puntajes de 0 a 1 se mapean a PASS (Autonomía total), el 2 mapea a CAUTION (Velocidad reducida, confirmación por movimiento) y 3 o más mapean a FAIL (Mantener estado, requiere un "CONFIRM" manual para reanudar).

• Niveles de Autonomía:

  • Full (Total): Teleoperación estándar.
  • Reduced (Reducida): Ejecuta comandos al 50% de velocidad con confirmación obligatoria del operador para cada movimiento.
  • Hold (Mantener): Congela el brazo hasta que el operador escribe explícitamente "CONFIRM".

• Evolución de la Segmentación:

  • Enfoque Original: Utilizaba umbralización adaptativa en escala de grises. Esto falló significamente, fijándose en las suturas en lugar del cuerpo de la herida debido a problemas de contraste local en tejido uniforme.
  • Enfoque de Reemplazo: Implementó una segmentación de distancia de color HSV global. Muestrea el color de fondo de las esquinas de la imagen, calcula la distancia euclidiana de cada píxel respecto a la mediana del fondo, aplica binarización de Otsu y utiliza operaciones morfológicas para eliminar artefactos de sutura.

Contribuciones Clave

1. Pipeline Ejecutable: Un grafo de cuatro nodos de ROS2 que acopla la percepción de la herida con la restricción de la autonomía del brazo mediante una separación limpia a nivel de tópico. La arquitectura permite reemplazar los nodos de percepción y control de forma independiente.
2. Validación Empírica de Falla y Solución: El documento documenta un modo de falla específico donde el método de segmentación inicial logró solo un 6.7% de precisión en un benchmark sintético debido a que segmentaba las suturas en lugar de las heridas. Detalla la implementación y validación de un método de segmentación de reemplazo que mejoró la precisión al 64.4%.
3. Plantilla Educativa: Un ejemplo compacto (<700 líneas de Python) de un bucle de percepción-a-actuación con restricción de operador en el bucle, adecuado para la educación en ROS2 e investigación en robótica.

Resultados
El sistema fue evaluado en un benchmark sintético de 45 imágenes (15 imágenes cada una para las clases "Healthy" [Saludable], "Concerning" [Preocupante] y "Critical" [Crítica]) generado por un script determinista.

• Pipeline Original: Logró un 6.7% (3/45) de precisión de veredicto de tres clases. La matriz de confusión mostró una estructura diagonal inexistente; el método falló al identificar heridas saludables, clasificándolas erróneamente como "preocupantes" o "críticas" debido a la detección de anillos de sutura.
• Pipeline de Reemplazo: Logró un 64.4% (29/45) de precisión.
  • Clase Healthy: 14/15 identificadas correctamente.
  • Clase Critical: 15/15 identificadas correctamente.
  • Clase Concerning: 0/15 identificadas correctamente (todas clasificadas como "Healthy").
• Análisis de Falla Residual: Los autores atribuyen la falla al clasificar heridas "Concerning" a los umbrales ABCDE. Estos umbrales fueron ajustados manualmente contra las distribuciones producidas por la segmentación defectuosa. Por consiguiente, no discriminan las distribuciones producidas por la segmentación funcional (por ejemplo, las heridas "Concerning" ahora tienen valores de solidez altos que activan un veredicto de "PASS"). El documento señala que se requiere una recalibración, pero se pospone para evitar el sobreajuste a este pequeño benchmark.

Significancia y Reclamaciones
El artículo establece explícitamente que Surgical Vision ROS2 no es una herramienta clínica. No ha sido probada con datos de pacientes, ni ha sido validada en un brazo robótico físico. Su significancia radica en:

• Utilidad de Investigación: Proporcionar una plantilla de código abierto para investigadores que deseen acoplar cualquier señal de percepción a un brazo impulsado por MoveIt2 para teleoperación de autonomía variable.
• Valor Educativo: Demostrar una arquitectura desacoplada basada en tópicos para el control condicionado por la percepción.
• Transparencia Metodológica: Ofrecer un caso de estudio claro de cómo un fallo de segmentación específico (fijarse en las suturas) puede derivar en un fallo total del sistema, y cómo un giro metodológico (distancia de color global) puede resolverlo, resaltando además que corregir la segmentación por sí solo es insuficiente sin recalibrar los umbrales de decisión descendentes.

Los autores concluyen que, si bien el pipeline funciona como un marco de simulación e investigación, es necesario realizar más trabajo (benchmarks más grandes, recalibración de umbrales y pruebas con imágenes no sintéticas) antes de que pueda considerarse cualquier relevancia clínica.