💻 computer science

Learning-Based Modeling of a Magnetically Steerable Soft Suction Device for Endoscopic Endonasal Interventions

यह शोध पत्र एंडोस्कोपिक एंडोनासल सर्जरी में उपयोग किए जाने वाले एक लघु, चुंबकीय रूप से निर्देशित सॉफ्ट सक्शन उपकरण के लिए एक लर्निंग-आधारित मॉडलिंग फ्रेमवर्क प्रस्तुत करता है, जो चुंबकीय सक्रियण मापदंडों से रोबोट के 3D आकार की सटीक भविष्यवाणी करने के लिए एम्बेडेड फाइबर ब्रैग ग्रेटिंग सेंसर और रैंडम फॉरेस्ट एल्गोरिदम का उपयोग करके सब-मिलीमीटर त्रुटि प्राप्त करता है।

मूल लेखक: Majid Roshanfar, Alex Zhang, Changyan He, Amir Hooshiar, Dale J. Podolsky, Thomas Looi, Eric Diller

प्रकाशित 2026-02-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Majid Roshanfar, Alex Zhang, Changyan He, Amir Hooshiar, Dale J. Podolsky, Thomas Looi, Eric Diller

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक सर्जन मरीज की नाक के जरिए मस्तिष्क के ट्यूमर को निकालने की कोशिश कर रहा है। यह एक संकीकर, घुमावदार गुफा के अंदर एक सख्त, सीधे डंडे का उपयोग करके सूक्ष्म सर्जरी करने जैसा है। यदि वह डंडा किसी तीखे मोड़ से टकराता है, तो वह मुड़ नहीं सकता, और वह गलती से किसी नाजुक चीज़, जैसे कि तंत्रिका (nerve) या रक्त वाहिका को छू सकता है।

इसे हल करने के लिए, इस शोधपत्र में मौजूद शोधकर्ताओं ने एक नन्हा, लचीला, "स्मार्ट" स्ट्रॉ (नली) बनाया है जो बिना किसी आंतरिक तार या मोटर के, आदेश मिलने पर मुड़ सकता है। उन्होंने इसे कैसे काम करने के लायक बनाया, इसका सरल विवरण यहाँ दिया गया है:

1. "जादुई स्ट्रॉ" (डिवाइस)

इस डिवाइस को एक अत्यंत पतली, लचीली नली (लगभग पेंसिल की लीड जितनी चौड़ी) के रूप में समझें, जो मेडिकल-ग्रेड सिलिकॉन से बनी है।

चुंबक: इस स्ट्रॉ के बिल्कुल सिरे पर, उन्होंने एक छोटा, खोखला चुंबक लगाया है।
"रिमोट कंट्रोल": बाहर से तार धकेलने के बजाय, वे मरीज के नीचे रखी कॉइल्स की एक मेज द्वारा उत्पन्न एक विशाल, अदृश्य चुंबकीय क्षेत्र (magnetic field) का उपयोग करते हैं। इस चुंबकीय क्षेत्र को घुमाकर, वे स्ट्रॉ के सिरे वाले चुंबक को घुमा सकते हैं और पूरे स्ट्रॉ को एक वक्र (curve) में मोड़ सकते हैं। यह एक विशाल चुंबक का उपयोग करके एक छोटी धातु की नाव को भूलभुलैया के माध्यम से चलाने जैसा है।
"आंखें": स्ट्रॉ के अंदर, उन्होंने एक विशेष फाइबर-ऑप्टिक केबल (एक हाई-टेक तंत्रिका की तरह) चलाई है जो एक पैमाने (ruler) का काम करती है। जैसे-जैसे स्ट्रॉ मुड़ता है, यह केबल थोड़ी खिंचती और दबती है। इन सूक्ष्म परिवर्तनों को मापकर, कंप्यूटर को सटीक रूप से पता चल जाता है कि स्ट्रॉ वास्तव में किस आकार का बना है।

2. समस्या: इसकी गणना करना बहुत जटिल है

शोधकर्ताओं ने स्ट्रॉ कैसे मुड़ेगा, इसका अनुमान लगाने के लिए पुराने गणितीय तरीकों का उपयोग करने की कोशिश की। लेकिन नरम रबर बहुत पेचीदा होता है। यह एक सख्त धातु की छड़ की तरह नहीं मुड़ता; यह खिंचता है, दबता है, और चुंबकीय क्षेत्र के घूमने की गति के आधार पर अलग-अलग प्रतिक्रिया देता है। यह हवा में एक गीले नूडल के इधर-उधर लहराने के तरीके का सटीक अनुमान लगाने की कोशिश करने जैसा है—यह बहुत ही अव्यवस्थित और अप्रत्याशित है।

3. समाधान: कंप्यूटर को आकार "देखना" सिखाना

रबर के लिए एक आदर्श गणितीय समीकरण लिखने के बजाय, शोधकर्ताओं ने उदाहरणों के माध्यम से कंप्यूटर को सिखाने का निर्णय लिया।

प्रशिक्षण (Training): उन्होंने स्ट्रॉ लिया और चुंबकीय क्षेत्र को 70 अलग-अलग तरीकों से घुमाया (शक्ति, गति और दूरी बदलकर)। उन्होंने हर बार रिकॉर्ड किया कि स्ट्रॉ ने वास्तव में क्या आकार बनाया। उन्होंने "चुंबकीय क्षेत्र इनपुट $\rightarrow$ परिणामी आकार" के 5,000 से अधिक उदाहरण एकत्र किए।
शॉर्टकट (बेज़ियर पॉइंट्स - Bezier Points): डेटा को कंप्यूटर के लिए सीखने में आसान बनाने के लिए, उन्होंने स्ट्रॉ के हर एक मिलीमीटर को मैप करने की कोशिश नहीं की। इसके बजाय, उन्होंने स्ट्रॉ के वक्र को एक डिजिटल पेन द्वारा खींची गई एक चिकनी रेखा के रूप में कल्पना की। उन्हें उस वक्र को परिभाषित करने के लिए केवल चार अदृश्य "नियंत्रण बिंदुओं" (control points) की आवश्यकता थी। इन बिंदुओं को एक ड्राइंग प्रोग्राम में कर्व टूल के हैंडल की तरह समझें; हैंडल को हिलाने पर पूरी रेखा सुचारू रूप से बदल जाती है।
सीखना: उन्होंने सभी 5,000 उदाहरणों को दो अलग-अलग प्रकार के कंप्यूटर दिमागों (एक न्यूरल नेटवर्क और एक रैंडम फॉरेस्ट) में डाला ताकि यह देखा जा सके कि कौन सा मॉडल चुंबकीय क्षेत्र की सेटिंग्स के आधार पर उन चार नियंत्रण बिंदुओं का सबसे अच्छा अनुमान लगा सकता है।

4. परिणाम: "फॉरेस्ट" (Forest) की जीत हुई

कंप्यूटर ने पैटर्न को अविश्वसनीय रूप से अच्छी तरह से सीखा।

विजेता: एक प्रकार का कंप्यूटर मॉडल (जिसे रैंडम फॉरेस्ट कहा जाता है) दूसरे की तुलना में बहुत बेहतर था। यह स्ट्रॉ के आकार की भविष्यवाणी सब-मिलीमीटर सटीकता (मानव बाल की मोटाई से भी कम) के साथ कर सकता था।
यह क्यों महत्वपूर्ण है: मॉडल ने सीखा कि चुंबकीय क्षेत्र की शक्ति मुख्य रूप से यह नियंत्रित करती है कि सिरा (tip) कितनी दूर तक मुड़ता है, जबकि घूमने की गति स्ट्रॉ के आधार (base) की गति को प्रभावित करती है।
गति: कंप्यूटर इस भविष्यवाणी को लगभग तुरंत कर सकता है, जो इतना तेज़ है कि इसे सर्जन द्वारा उपकरण चलाते समय वास्तविक समय में उपयोग किया जा सके।

5. इसका क्या अर्थ है (शोधपत्र के अनुसार)

शोधपत्र का दावा है कि यह पहली बार है जब एक लर्निंग-आधारित मॉडल का उपयोग विशेष रूप से इन विशिष्ट सेंसरों वाले चुंबकीय रूप से संचालित सॉफ्ट सक्शन टूल के लिए किया गया है।

अब कोई अनुमान नहीं: यह उन जटिल भौतिकी समीकरणों की आवश्यकता को समाप्त करता है जो यह मान लेते हैं कि रबर पूरी तरह से एक समान (uniform) है (जो कि कभी नहीं होता)।
रियल-टाइम फीडबैक: क्योंकि मॉडल तेज़ और सटीक है, यह सर्जन को सटीक रूप से बता सकता है कि उपकरण का सिरा कहाँ है, भले ही उपकरण नाक के भीतर गहराई में मुड़ रहा हो या घूम रहा हो।
सुरक्षा: आकार को सटीक रूप से जानकर, सर्जन महत्वपूर्ण शारीरिक संरचनाओं को गलती से छुए बिना तंग और खतरनाक स्थानों में नेविगेट कर सकते हैं।

संक्षेप में: शोधकर्ताओं ने एक छोटा, लचीला स्ट्रॉ बनाया है जिसे अदृश्य चुंबकों द्वारा नियंत्रित किया जा सकता है। उन्होंने एक कंप्यूटर को यह अनुमान लगाना सिखाया कि वह स्ट्रॉ कैसे मुड़ेगा, जिसके लिए उन्होंने हजारों उदाहरण दिखाए, जिससे एक "स्मार्ट" प्रणाली तैयार हुई जो सर्जनों को मानव नाक के संकीर्ण, घुमावदार रास्तों के माध्यम से अत्यधिक सटीकता के साथ मार्गदर्शन कर सकती है।

तकनीकी सारांश: एक चुंबकीय रूप से संचालित सॉफ्ट सक्शन डिवाइस के लिए लर्निंग-आधारित मॉडलिंग

समस्या विवरण
एंडोस्कोपिक एंडोनेज़ल ब्रेन ट्यूमर रिसेक्शन एक ऐसी न्यूनतम आक्रामक (minimally invasive) तकनीक है जो संकीर्ण शारीरिक गलियारों (anatomical corridors) में नेविगेट करने पर निर्भर करती है। हालाँकि, पारंपरिक कठोर उपकरणों की संचालन क्षमता अक्सर रोगी-विशिष्ट शारीरिक जटिलताओं (जैसे, संकीर्ण नासिका मार्ग, कम स्कल बेस) के कारण सीमित होती है, जिससे महत्वपूर्ण न्यूरोवैस्कुलर संरचनाओं को नुकसान पहुँचने का जोखिम बढ़ जाता है। जबकि लचीले रोबोटिक उपकरण एक समाधान प्रदान करते हैं, उनके अंतर्निहित नॉनलीनियर (nonlinear), हाइपरइलास्टिक व्यवहार और सहज नियंत्रण की कमी महत्वपूर्ण चुनौतियाँ पेश करती हैं। पारंपरिक भौतिकी-आधारित मॉडलिंग दृष्टिकोण (जैसे, कॉन्स्टेंट कर्वेचर, कोसेराट रॉड थ्योरी, ज्योमेट्रिक वेरिएबल स्ट्रेन) चुंबकीय रूप से संचालित सॉफ्ट डिवाइसेस के लिए संघर्ष करते हैं क्योंकि 3D-प्रिंटेड सामग्री गुणों का सटीक लक्षण वर्णन करना कठिन होता है, कॉन्फ़िगरेशन-निर्भर चुंबकीय टॉर्क जटिल होता है, और रियल-टाइम सिमुलेशन की कम्प्यूटेशनल लागत अधिक होती है। इसके अलावा, मौजूदा लर्निंग-आधारित अध्ययन मुख्य रूप से टेंडन-ड्रिवन या न्यूमैटिक रोबोट्स पर केंद्रित रहे हैं, जिससे एम्बेडेड सेंसिंग वाले चुंबकीय रूप से संचालित सॉफ्ट सर्जिकल टूल्स के डेटा-ड्रिवन मॉडलिंग में एक अंतर रह गया है।

कार्यप्रणाली (Methodology)
लेखक एक डेटा-ड्रिवन मॉडलिंग फ्रेमवर्क प्रस्तावित करते हैं जो चुंबकीय सक्रियण इनपुट (magnetic actuation inputs) को एक कस्टम सॉफ्ट सक्शन डिवाइस के ज्यामितीय विन्यास (geometric configuration) से सीधे मैप करता है।

डिवाइस डिज़ाइन: एक लघु आकार (4 मिमी बाहरी व्यास, 2 मिमी आंतरिक चैनल, 40 मिमी सक्रिय लंबाई) का सॉफ्ट सक्शन डिवाइस बायोकम्पैटिबल SIL 30 सिलिकॉन का उपयोग करके 3D प्रिंट किया गया था। इसमें स्टीयरिंग के लिए एक डिस्टल परमानेंट मैग्नेट और रियल-टाइम शेप सेंसिंग के लिए एक एम्बेडेड मल्टी-कोर फाइबर ब्रैग ग्रेटिंग (FBG) सेंसर है।
शेप एनकोडिंग: कच्चे FBG स्ट्रेन डेटा को डिवाइस के 3D सेंटरलाइन को पुनर्गठित करने के लिए प्रोसेस किया जाता है। लर्निंग के अनुकूल एक संक्षिप्त, लो-डायमेंशनल प्रतिनिधित्व बनाने के लिए, पुनर्गठित आकार को चार कंट्रोल पॉइंट्स ( $p_0$ से $p_3$ ) द्वारा परिभाषित एक क्यूबिक बेज़ियर कर्व (cubic Bezier curve) में फिट किया जाता है। एंडपॉइंट्स ( $p_0, p_3$ ) डिवाइस के बेस और टिप को बाधित (constrain) करते हैं, जबकि मध्यवर्ती बिंदु ( $p_1, p_2$ ) वक्रता प्रोफाइल (curvature profile) को परिभाषित करते हैं।
प्रायोगिक डेटा संग्रह: प्रयोग एक 8-कॉइल इलेक्ट्रोमैग्नेटिक सिस्टम का उपयोग करके किए गए थे। डिवाइस को अलग-अलग मापदंडों के साथ घूमते हुए चुंबकीय क्षेत्रों के तहत संचालित किया गया था: परिमाण (0–14 mT), आवृत्ति (0.2–1.0 Hz), और कॉइल टेबल से वर्टिकल टिप की दूरी (90 mm और 100 mm)। इसके परिणामस्वरूप 5,097 प्रायोगिक नमूनों का एक डेटासेट प्राप्त हुआ।
मॉडलिंग दृष्टिकोण: दो मशीन लर्निंग आर्किटेक्चर को चुंबकीय क्षेत्र के मापदंडों ( $b_x, b_y$ $b_{x}, b_{y}$ , परिमाण, आवृत्ति और दूरी) से बेज़ियर कंट्रोल पॉइंट्स की भविष्यवाणी करने के लिए प्रशिक्षित किया गया:
1. न्यूरल नेटवर्क (NN): तीन हिडन लेयर्स वाला एक फीडफॉरवर्ड नेटवर्क।
2. रैंडम फॉरेस्ट (RF): 12 रिग्रेसर्स का एक एन्सेम्बल, जिनमें से प्रत्येक में 200 डिसीजन ट्री हैं।

प्रमुख योगदान

डिवाइस फैब्रिकेशन: एंडोस्कोपिक एंडोनेज़ल न्यूरोसर्जरी के लिए विशेष रूप से तैयार, एम्बेडेड FBG सेंसिंग के साथ एक लघु आकार का, 3D-प्रिंटेड, बायोकम्पैटिबल सॉफ्ट सक्शन डिवाइस का डिज़ाइन और फैब्रिकेशन।
नवीन मॉडलिंग प्रतिमान (Novel Modeling Paradigm): एक लर्निंग-आधारित फ्रेमवर्क का परिचय जो चुंबकीय क्षेत्र इनपुट को सीधे बेज़ियर कंट्रोल पॉइंट्स से जोड़ता है। यह दृष्टिकोण स्पष्ट कंस्टिट्यूटिव पैरामीटर पहचान और विश्लेषणात्मक किनेमैटिक व्युत्पत्तियों की आवश्यकता को दरकिनार करता है, जो एक संक्षिप्त और व्याख्या योग्य ज्यामितीय प्रतिनिधित्व प्रदान करता है।
एकीकृत फ्रेमवर्क: अन्य चुंबकीय रूप से संचालित निरंतर रोबोटों (continuum robots) पर लागू होने वाली एक एकल मॉडलिंग रणनीति में चुंबकीय क्षेत्र लक्षण वर्णन, एम्बेडेड FBG सेंसिंग और बेज़ियर-आधारित लर्निंग का वैचारिक एकीकरण।
प्रायोगिक सत्यापन: व्यापक सत्यापन जो दर्शाता है कि प्रस्तावित फ्रेमवर्क चुंबकीय सक्रियण के तहत हाइपरइलास्टिक सॉफ्ट रोबोट्स के जटिल, नॉनलीनियर और फ्रीक्वेंसी-डिपेंडेंट व्यवहार को सटीक रूप से मॉडल कर सकता है।

परिणाम

मॉडल प्रदर्शन: रैंडम फॉरेस्ट (RF) मॉडल ने सभी मेट्रिक्स में न्यूरल नेटवर्क (NN) की तुलना में काफी बेहतर प्रदर्शन किया। RF मॉडल ने कंट्रोल पॉइंट्स की भविष्यवाणी करने में 0.087 mm का औसत रूट मीन स्क्वायर एरर (RMSE) प्राप्त किया, जबकि NN के लिए यह 0.121 mm था।
शेप रिकंस्ट्रक्शन: RF मॉडल ने 0.064 mm का औसत शेप रिकंस्ट्रक्शन एरर दिया। RF मॉडल के लिए त्रुटि वितरण अधिक सघन और शून्य के करीब था, विशेष रूप से डिस्टल कंट्रोल पॉइंट्स ( $p_2$ और $p_3$ ) के लिए, जो टिप पोजिशनिंग के लिए महत्वपूर्ण हैं।
फीचर इम्पोर्टेंस: विश्लेषण से पता चला कि चुंबकीय क्षेत्र के घटक ( $b_x, b_y$ ) मुख्य रूप से डिस्टल कंट्रोल पॉइंट्स को प्रभावित करते हैं, जबकि सक्रियण आवृत्ति और वर्टिकल दूरी बेस कॉन्फ़िगरेशन और वर्टिकल पोजिशनिंग को प्रभावित करती है।
कम्प्यूटेशनल दक्षता: RF मॉडल ने उच्च कम्प्यूटेशनल दक्षता प्रदर्शित की जो रियल-टाइम इन्फरेंस के लिए उपयुक्त है, प्रति सैंपल भविष्यवाणी समय लगभग $7.89 \times 10^{-5}$ सेकंड है।

महत्व और दावे
यह पेपर विशेष रूप से एम्बेडेड FBG सेंसिंग से लैस चुंबकीय रूप से संचालित सॉफ्ट सर्जिकल डिवाइसेस के लिए विशेष रूप से तैयार किए गए लर्निंग-आधारित शेप प्रेडिक्शन मॉडल के पहले अनुप्रयोग का दावा करता है। इस कार्य का महत्व सरल भौतिक धारणाओं या कठिन-से-प्राप्त सामग्री मापदंडों पर निर्भर रहने के बजाय सॉफ्ट रोबोट के जटिल नॉनलीनियर व्यवहार को मॉडल करने की इसकी क्षमता में निहित है। सब-मिलीमीटर भविष्यवाणी सटीकता और रियल-टाइम इन्फरेंस प्राप्त करके, यह फ्रेमवर्क न्यूनतम आक्रामक न्यूरोसर्जरी में चुंबकीय रूप से संचालित टूल्स के बुद्धिमान नियंत्रण के लिए एक आधार स्थापित करता है।

लेखक इस बात पर जोर देते हैं कि हालांकि लर्निंग-आधारित दृष्टिकोण तीव्र डिवाइस कैरेक्टराइजेशन के लिए एक व्यावहारिक मार्ग प्रदान करता है, यह भौतिकी-आधारित फ्रेमवर्क का पूरक है। वे सीमाओं को स्वीकार करते हैं, जिसमें एक एकल प्रोटोटाइप (डिवाइस-विशिष्ट) पर निर्भरता, आदर्शित घूमते हुए चुंबकीय क्षेत्रों का उपयोग, और वर्तमान प्रशिक्षण डेटा में ऊतक संपर्क (tissue interaction) प्रभावों की अनुपस्थिति शामिल है। फलस्वरूप, लेखक इस कार्य को एक आवश्यक बेसलाइन कैरेक्टराइजेशन के रूप में प्रस्तुत करते हैं, जिसके लिए कई डिवाइसेस में सामान्यीकरण को मान्य करने, ऊतक संपर्क डेटा को शामिल करने और जटिल क्लिनिकल चुंबकीय वातावरण में प्रदर्शन का परीक्षण करने के लिए भविष्य के कार्य की आवश्यकता है।

1. "जादुई स्ट्रॉ" (डिवाइस)

2. समस्या: इसकी गणना करना बहुत जटिल है

3. समाधान: कंप्यूटर को आकार "देखना" सिखाना

4. परिणाम: "फॉरेस्ट" (Forest) की जीत हुई

5. इसका क्या अर्थ है (शोधपत्र के अनुसार)

इसी तरह के और पेपर