तकनीकी सारांश: आंशिक दृश्यता के तहत स्वायत्त सर्जिकल ऊतक प्रतिस्थापन (Tissue Retraction) के लिए विरूपणात्मक अवस्था अनुमान (Deformable State Estimation)

समस्या विवरण

स्वायत्त सर्जिकल ऊतक प्रतिस्थापन (tissue retraction) एक महत्वपूर्ण कार्य है जो न्यूनतम आक्रामक सर्जरी (minimally invasive surgery) में आवश्यक है, जिसके लिए अंतर्निहित शारीरिक लक्ष्यों को उजागर करने हेतु नरम, विरूपणात्मक ऊतकों के हेरफेर की आवश्यकता होती है। यह कार्य दो प्राथमिक कारकों से जटिल है: विरूपणात्मक ऊतक का उच्च-आयामी, गैर-रेखीय व्यवहार और सर्जिकल धारणा (perception) की सीमाएं। वास्तविक परिचालन स्थितियों में, संवेदन (sensing) आंशिक और शोरयुक्त (noisy) होता है; निर्णय लेने वालों के पास आमतौर पर केवल विरल सतह अवलोकन (जैसे, कुछ दृश्य वर्टिक्स) होते हैं, न कि सघन दृश्य डेटा या पूर्ण अवस्था तक पहुंच।

मौजूदा दृष्टिकोण अक्सर बार-बार भौतिकी-आधारित सिमुलेशन (फाइनाइट-एलिमेंट या स्प्रिंग-आधारित मॉडल) के साथ पूर्ण अवस्था पहुंच पर निर्भर करते हैं या समृद्ध दृश्य अवलोकनों (सघन चित्र, स्टीरियो पुनर्निर्माण) पर प्रशिक्षित सीखे गए नीतियों (learned policies) पर कार्य करते हैं। हालाँकि, इन विधियों में या तो बार-बार सिमुलेशन के कारण अत्यधिक नियोजन-समय लागत आती है, या वे ऐसे अवलोकन व्यवस्थाओं के तहत कार्य करती हैं जो बाधित सर्जिकल दृश्यों के विशिष्ट विरल, शोरयुक्त बिंदु अवलोकनों से मेल नहीं खाते हैं। यह कार्य जिस मुख्य चुनौती को संबोधित करता है वह है: विरल, शोरयुक्त अवलोकनों से सीधे प्राप्त की गई सटीक अवस्था अनुमान के माध्यम से विरूपणात्मक हेरफेर के लिए प्रभावी नियोजन प्राप्त करना।

कार्यप्रणाली

लेखक एक प्रणाली का प्रस्ताव करते हैं जो आंशिक दृश्यता को संभालने के लिए एक सीखे गए अवस्था अनुमानक (learned state estimator) को एक नियोजन लूप (planning loop) के साथ एकीकृत करती है। ऊतक को एक क्लॉथ-जैसे शीट के रूप में मॉडल किया गया है जिसे $30 \times 30$ ग्रिड के वर्टिक्स (1,800-आयामी अवस्था) पर विभाजित किया गया है। प्रत्येक नियोजन चरण में, सिस्टम केवल 40 यादृच्छिक रूप से चयनित वर्टिक्स का अवलोकन करता है (कुल का 4.4%), जिनके निर्देशांक गाऊसी शोर ($\sigma = 0.02$) से दूषित होते हैं।

A. सीखा गया अवस्था अनुमानक (Learned State Estimator)

इस दृष्टिकोण का मूल एक सीखा गया अनुमानक है जो विरल अवलोकनों से पूर्ण विरूपणात्मक मेश (mesh) अवस्था का पुनर्निर्माण करता है:

1. लेटेंट प्रतिनिधित्व (Latent Representation): लेखक उच्च-आयामी मेश अवस्थाओं को निम्न-आयामी लेटेंट स्पेस में संकुचित करने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (PCA) का उपयोग करते हैं। 5,000 यादृच्छिक रूप से उत्पन्न मेश अवस्थाओं का उपयोग करके, एक 12-आयामी लेटेंट स्पेस की पहचान की गई, जो लगभग 83.7% विचरण (variance) को कैप्चर करता है।
2. नेटवर्क आर्किटेक्चर: एक तीन-परत वाला मल्टीलेयर पर्सेप्ट्रॉन (MLP) शोरयुक्त, आंशिक अवलोकनों (वर्टेक्स निर्देशांक और उनके इंडेक्स) को इस 12-आयामी लेटेंट अवस्था में मैप करता है।
3. पुनर्निर्माण (Reconstruction): लेटेंट अवस्था से पूर्ण मेश कॉन्फ़िगरेशन को इनवर्स PCA के माध्यम से पुनर्गठित किया जाता है और प्लानर को प्रदान किया जाता है।

B. ज्यामिति-नियमित प्रशिक्षण (Geometry-Regularized Training)

यह सुनिश्चित करने के लिए कि अनुमानक भौतिक रूप से तर्कसंगत विरूपण उत्पन्न करे, प्रशिक्षण उद्देश्य में ज्यामिति-जागरूक नियमितीकरण (geometry-aware regularization) शामिल है। लॉस फंक्शन को इस प्रकार परिभाषित किया गया है:
$$L = L_{recon} + \lambda_s L_{smooth} + \lambda_e L_{stretch}$$
जहाँ:

• $L_{recon}$ अनुमानित और वास्तविक (ground-truth) मेश वर्टिक्स के बीच मीन स्क्वेर्ड एरर है।
• $L_{smooth}$ पुनर्निर्मित मेश में पड़ोसी वर्टिक्स के बीच के अंतर को दंडित करता है ताकि सुगमता (smoothness) को बढ़ावा मिले।
• $L_{stretch}$ पुनर्निर्मित मेश में किनारों की लंबाई के विरूपित संदर्भ कॉन्फ़िगरेशन से विचलन को दंडित करता है।
• नियमितीकरण भार (weights) $\lambda_s = \lambda_e = 0.1$ पर स्थिर हैं।

प्रशिक्षण डेटा को रैंडम मेश कॉन्फ़िगरेशन को नमूना बनाकर और उसी अवलोकन मॉडल (40 शोरयुक्त वर्टिक्स) को लागू करके ऑन-द-फ्लाई जनरेट किया जाता है जिसका उपयोग इन्फरेंस के दौरान किया जाता है।

C. नियोजन ढांचा (Planning Framework)

सिस्टम सिंगल-स्टेप और मल्टी-स्टेप रिट्रैक्शन प्लानिंग का मूल्यांकन करता है। क्रियाएं (actions) पैच-आधारित पुलिंग ऑपरेशन के रूप में परिभाषित की जाती हैं, जिन्हें एक ग्रैस्प पॉइंट और एक पुल डिस्प्लेसमेंट द्वारा पैरामीटराइज किया जाता है। प्लानर 200 कैंडिडेट पल्स को सैंपल करके और उस क्रिया को चुनकर कार्य करता है जो अनुमानित एक्सपोजर स्कोर (शीट द्वारा कवर किए गए क्षेत्र का वह हिस्सा जो लक्ष्य क्षेत्र नहीं है) को अधिकतम करती है। क्रियाओं से होने वाले विरूपण को डिफ्यूजन-आधारित रिलैक्सेशन प्रक्रिया का उपयोग करके मॉडल किया जाता है।

प्रयोगात्मक परिणाम

प्रयोग 200 एपिसोड के ऊपर एक 2D विरूपणात्मक शीट सिमुलेशन में आयोजित किए गए थे। सिस्टम की तुलना एक "ओरेकल" (जिसके पास पूर्ण अवस्था पहुंच है) और एक नैव बेसलाइन (जो अनऑब्जर्व्ड वर्टिक्स को बिना विरूपित संदर्भ स्थितियों से भर देता है) से की गई थी।

• सिंगल-स्टेप प्रदर्शन: सीखे गए अनुमानक ने 50.0% सफलता दर के साथ 0.1055 का औसत एक्सपोजर सुधार प्राप्त किया। इसने ओरेकल (0.0989 सुधार, 47.0% सफलता) और नैव बेसलाइन (0.0951 सुधार, 45.5% सफलता) दोनों को पीछे छोड़ दिया।
• मल्टी-स्टेप प्रदर्शन: दो-चरणों वाले नियोजन परिदृश्य में, सीखे गए अनुमानक ने 45.0% सफलता दर के साथ 0.0941 का औसत सुधार प्राप्त किया। यह ओरेकल के प्रदर्शन के 98.1% (0.0958 सुधार) के बराबर है।
• ओरेकल विश्लेषण: लेखकों ने प्रमाणित किया कि ओरेकल कम कंप्यूटेशनल बजट (200 कैंडिडेट एक्शन) के साथ भी प्रभावी रूप से निकट-इष्टतम (near-optimal) है। सांख्यिकीय विश्लेषण ($p=0.835$) ने दिखाया कि एक्शन बजट को 200 से बढ़ाकर 2000 करने से नगण्य लाभ (2.7% सुधार) हुआ, जो पुष्टि करता है कि प्राथमिक बाधा अवस्था अनुमान है, न कि एक्शन सर्च।
• सफलता दर का संदर्भ: लेखकों ने उल्लेख किया कि लगभग 57% एपिसोड में लक्ष्य पहले से ही पूरी तरह से उजागर था, जिससे उन्हें परिभाषित थ्रेसहोल्ड ($\Delta > 0.05$) के तहत सुधारना असंभव था। शेष सुधारात्मक एपिसोड पर, ओरेकल ने 100% मामलों में सफलता प्राप्त की, जो इस बात की पुष्टि करता है कि प्लानर निकट-इष्टतम है और चुनौती अनुमान (estimation) में निहित है।

प्रमुख योगदान और महत्व

यह शोध पत्र प्रदर्शित करता है कि एक सीखा गया अवस्था अनुमानक, जो सीधे विरल और शोरयुक्त अवलोकनों पर कार्य करता है, विरूपणात्मक हेरफेर के लिए प्रभावी नियोजन को सक्षम कर सकता है। PCA-आधारित लेटेंट प्रतिनिधित्व के साथ ज्यामिति-जागरूक नियमितीकरण (स्मूथनेस और स्ट्रेच बाधाएं) को जोड़कर, सिस्टम एक पूर्ण-अवस्था ओरेकल के सांख्यिकीय रूप से समकक्ष मल्टी-स्टेप प्रदर्शन प्राप्त करता है।

इस कार्य का महत्व यह दिखाना है कि योजना के लिए पर्याप्त (planning-sufficient) सीखे गए प्रतिनिधित्व, विरूपणात्मक हेरफेर के लिए महंगी भौतिक सिमुलेशन को बदल सकते हैं। परिणाम बताते हैं कि वास्तविक सर्जिकल बाधाओं के तहत काम करने वाले स्वायत्त सर्जिकल सिस्टम के लिए, सघन दृश्य डेटा या गणनात्मक रूप से गहन बार-बार सिमुलेशन पर निर्भर हुए बिना, आंशिक दृश्यता के तहत सटीक अवस्था अनुमान प्राप्त करना संभव है।

लेखक विनम्रतापूर्वक निष्कर्ष निकालते हैं, यह नोट करते हुए कि भविष्य का कार्य वास्तविक ऊतक डेटा पर इन विधियों को मान्य करने और विभिन्न अवलोकन घनत्वों एवं शोर स्तरों के तहत मजबूती (robustness) की जांच करने पर केंद्रित होगा।