From Articulated Kinematics to Routed Visual Control for Action-Conditioned Surgical Video Generation

ऑपरेटिंग रूम में, एक रोबोटिक सर्जन केवल हिलता-डुलता नहीं है; वह एक ऐसी सटीकता के साथ संचालन करता है जो लगभग दूसरे हाथों की तरह महसूस होती है। इन मशीनों को निम्न-स्तरीय (low-level) कमांड द्वारा निर्देशित किया जाता है जो एक धातु के उपकरण को ठीक बताता है कि उसे कहाँ जाना है, कैसे मुड़ना है, और कितनी गति से चलना है। हालाँकि, एक मानव पर्यवेक्षक के लिए, एक रोबole को काम करते हुए देखना अक्सर परिणाम को देखने जैसा होता है, न कि प्रक्रिया को। एक रोबोट को चलने के लिए बताने वाले सरल नंबरों और एक सर्जिकल वीडियो की जटिल, तरल वास्तविकता के बीच का अंतर बहुत बड़ा है। इस अंतर को पाटना चिकित्सा के भविष्य के लिए आवश्यक है, जहाँ डॉक्टरों और प्रशिक्षण प्रणालियों को रोगी को छूने से पहले ही "क्या-होगा-अगर" (what-if) परिदृश्यों का अनुकरण करने की आवश्यकता होती है। यदि कोई सर्जन एक कठिन गांठ बांधने की तकनीक या सुई चुभाने के अभ्यास का अभ्यास करना चाहता है, तो उन्हें एक ऐसे सिस्टम की आवश्यकता है जो उस विशिष्ट क्रिया का यथार्थवादी वीडियो बना सके, जो ठीक से दिखा सके कि ऊतक (tissue) कैसे प्रतिक्रिया करेंगे और प्रकाश धातु के उपकरण पर कैसे चमकेगा। चुनौती हमेशा यह रही है कि रोबोट को दिए गए सरल निर्देश एक वीडियो फ्रेम दर फ्रेम के समृद्ध, विस्तृत विकास को नियंत्रित करने के लिए बहुत कम होते हैं।

शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया तरीका विकसित किया है, जो रोबोट के बिखरे हुए, यांत्रिक निर्देशों को एक समृद्ध, दृश्य भाषा में बदल देता है जिसका उपयोग कंप्यूटर यथार्थवादी सर्जिकल वीडियो बनाने के लिए कर सकता है। वे अपने दृष्टिकोण को 'काइनेमैटिक-टू-विजुअल लिफ्टिंग पैराडाइम' (kinematic-to-visual lifting paradigm) कहते हैं। रोबोट के निर्देशों को निर्देशांकों (coordinates) और कोणों के एक सेट के रूप में कल्पना करें। शोधकर्ता इन बुनियादी नंबरों को पांच अलग-अलग परतों की दृश्य जानकारी में विस्तारित करते हैं जो वीडियो के पिक्सेल के साथ पूरी तरह से संरेखित होती हैं। ये परतें न केवल यह बताती हैं कि उपकरण कहाँ है, बल्कि यह भी कि वह किस प्रकार का हिस्सा है, वह दृश्य में कितनी गहराई में है, वह कैसे घूम रहा है, वह कितनी गति से चल रहा है, और उसकी गति कितनी तेजी से बदल रही है। रोबोट की कच्ची गतिविधियों को इस पांच-भाग वाले विजुअल मैप में अनुवादित करके, सिस्टम मशीन के तर्क और दृश्य दुनिया के बीच एक स्पष्ट, साझा भाषा बनाता है।

एक बार जब यह विजुअल मैप बन जाता है, तो सिस्टम वीडियो के हर एक क्षण के लिए हर जानकारी का उपयोग करने का प्रयास नहीं करता है। इसके बजाय, यह एक स्मार्ट रूटिंग तंत्र का उपयोग करता है जो एक ट्रैफिक डायरेक्टर की तरह कार्य करता है। एक जटिल सर्जिकल दृश्य में, कुछ क्षणों में सुई की सटीक पकड़ जैसे सूक्ष्म विवरणों पर गहन ध्यान देने की आवश्यकता होती है, जबकि अन्य क्षणों में बड़े आंदोलनों की आवश्यकता होती है, जैसे कि क्षेत्र में एक उपकरण को घुमाना, और कुछ क्षणों में कोई हलचल नहीं होती है। सिस्टम विजुअल मैप का विश्लेषण करता है और प्रत्येक छवि के हिस्से के लिए यह तय करता है कि किस प्रकार की जानकारी सबसे महत्वपूर्ण है। यह एक क्षेत्र में उपकरण की गति पर ध्यान केंद्रित करने का विकल्प चुन सकता है जबकि दूसरे क्षेत्र में इसे अनदेखा कर सकता है जहाँ उपकरण स्थिर है। यह चयनात्मक ध्यान (selective attention) कंप्यूटर को केवल वहीं अपनी कंप्यूटिंग शक्ति खर्च करने की अनुमति देता है जहाँ इसकी आवश्यकता होती है, जिससे सटीकता खोए बिना यह प्रक्रिया बहुत तेज़ और अधिक कुशल हो जाती है।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक नया बेंचमार्क बनाया जिसे KASA कहा जाता है, जिसका अर्थ है 'काइनेमैटिक आर्टिकुलेटेड सर्जिकल एक्शन' (Kinematic Articulated Surgical Action)। यह वास्तविक रोबोटिक सर्जिकल वीडियो का एक संग्रह है जिन्हें वीडियो फ्रेम को रोबोट के उपकरणों की सटीक गतिविधियों से जोड़ने के लिए सावधानीपूर्वक एनोटेट किया गया है। उन्होंने उपकरणों को ट्रैक करने के लिए मानव विशेषज्ञों और उन्नत सॉफ्टवेयर के संयोजन का उपयोग किया, जिसमें शाफ्ट, कलाई और ग्रिपर्स जैसे हिस्सों की पहचान की गई, और समय के साथ उनकी स्थिति दर्ज की गई। यह डेटासेट गांठ बांधने, सुई पकड़ने और ऊतक में छेद करने जैसे कठिन कार्यों को कवर करता है, जो एक वास्तविक परीक्षण आधार प्रदान करता है यह देखने के लिए कि क्या सिस्टम वास्तव में सर्जिकल गति की बारीकियों को समझ और पुनरुत्पादित कर सकता है। शोधकर्ताओं ने पाया कि उनका तरीका, इस डेटा के विरुद्ध परीक्षण किए जाने पर, पिछले प्रयासों की तुलना में वास्तविक रोबोटिक गतिविधियों के प्रति काफी अधिक वफादार वीडियो बनाता है।

परिणामों ने इस बात में स्पष्ट सुधार दिखाया कि उत्पन्न वीडियो वास्तविक क्रियाओं से कितनी अच्छी तरह मेल खाते हैं। टेक्स्ट विवरणों या सघन विजुअल मैप पर निर्भर रहने वाले अन्य सिस्टमों की तुलना में, इस नए दृष्टिकोण ने उपकरण के पथ को मिलाने में त्रुटि को काफी हद से कम कर दिया। इसने अधिक यथार्थवादी चित्र भी बनाए, जिनमें बेहतर स्पष्टता और कम विजुअल ग्लिच (दृश्य दोष) थे। शायद सबसे महत्वपूर्ण बात यह है कि सिस्टम यह सब बहुत तेज़ी से करने में सक्षम था। वीडियो के उन हिस्सों के लिए अनावश्यक गणनाओं को छोड़कर जिनमें जटिल अपडेट की आवश्यकता नहीं थी, शोधकर्ताओं ने अपने मॉडल का एक सुव्यवस्थित संस्करण बनाया जो मानक संस्करण की तुलना में लगभग आधा तेज़ था, फिर भी उच्च सटीकता बनाए रखता था। यह दक्षता बताती है कि ऐसे सिस्टम अंततः वास्तविक समय (real-time) में चल सकते हैं, जो सर्जनों या प्रशिक्षण प्रणालियों को तत्काल फीडबैक प्रदान कर सकते हैं।

अध्ययन ने यह भी प्रदर्शित किया कि यह विधि उन स्थितियों को भी संभाल सकती है जिन्हें इसने पहले कभी नहीं देखा था। विभिन्न सर्जिकल सेटअपों, अलग-अलग लाइटिंग और ऊतकों की उपस्थिति वाले वीडियो पर परीक्षण किए जाने पर भी, सिस्टम ने बिना पुन: प्रशिक्षित हुए सटीक और यथार्थवादी वीडियो बनाना जारी रखा। यह सामान्यीकरण (generalize) करने की क्षमता बताती है कि सिस्टम ने केवल विशिष्ट दृश्यों को याद करने के बजाय, सर्जिकल उपकरणों के हिलने-डुलने के मूलभूत भौतिक विज्ञान (physics) को सीख लिया है। शोधकर्ता इस बात पर जोर देते हैं कि जबकि ये वीडियो सिमुलेशन और डेटा प्रशिक्षण के लिए शक्तिशाली उपकरण हैं, इनका उद्देश्य अभी प्रत्यक्ष नैदानिक उपयोग (clinical use) नहीं है। इसके बजाय, वे एक रोबोट के सटीक, निम्न-स्तरीय कमांड को एक सर्जिकल प्रक्रिया की उच्च-स्तरीय, दृश्य वास्तविकता में अनुवादित करने के तरीके को समझने की दिशा में एक महत्वपूर्ण कदम का प्रतिनिधित्व करते हैं, जो भविष्य में अधिक उन्नत प्रशिक्षण और योजना उपकरणों के द्वार खोलता है।