Endoszkópos kameraképek feldolgozásának lehetőségei a robotsebészetben
Cikk címe: Endoszkópos kameraképek feldolgozásának lehetőségei a robotsebészetben
Szerzők: Nagyné E. Renáta, Dr. Haidegger Tamás
Intézmények: iRobottechnikai Központ Egyetemi Kutató Innovációs és Szolgáltató Központ Óbudai Egyetem, Budapesti Műszaki és Gazdaságtudományi Egyetem
Évfolyam: XVII. évfolyam
Lapszám: 2018. / 04. lapszám
Oldal: 49-54
Rovat: INFOKOMMUNIKÁCIÓ
Alrovat: INFOKOMMUNIKÁCIÓ
Absztrakt:
A Minimál Invazív Sebészetben (MIS), különösen a robotsebészetben endoszkópos kameraképek automatizált elemzésével olyan releváns információk nyerhetők, melyek az orvos segítésén keresztül a beteg biztonságát és gyorsabb felépülését szolgálják. A kameraképek elemzése alapján nyert információk felhasználhatóak pl. az eszközök automatizált mozgatására, az orvos figyelmeztetésére különböző kritikus helyzetekben, valamint sebészeti képességek felmérésére, tréningre. A kép alapú döntéstámogatás kognitív terhet vehet le a sebészről, valamint részfeladatok automatizálásán keresztül segíthet a monoton, időigényes feladatok végrehajtásában.
Abstract:
Endoscopic camera image analysis in Minimally In – vasive Surgery (MIS), especially in surgical robotics can extract relevant information, which can increase pa tient safety and reduce recovery time through helping the surgeons. Image-based decision support can ease the cognitive load on the surgeon, furthermore, surgical subtask automation can help in monotone, time-con suming tasks. Extracted information from camera image analysis can be utilized for automated instrument positioning, giving warnings to the surgeon in critical situ ations, and even for surgical skill assessment and training.
XVII. évfolyam
2018. / 04. lapszám / Május
| Szerző | Intézmény |
|---|---|
| Nagyné E. Renáta | iRobottechnikai Központ Egyetemi Kutató Innovációs és Szolgáltató Központ Óbudai Egyetem |
| Dr. Haidegger Tamás | Budapesti Műszaki és Gazdaságtudományi Egyetem |
[1] Takács Á, Nagy DÁ, Rudas I, Haidegger T: Origins of surgical robotics: From space to the operating room, Acta Polytechnica Hungarica, 13(1), pp. 13-30.
[2] Elek R, Nagy TD, Nagy DÁ, G. Kronreif G, Rudas IJ, Haidegger T: Recent trends in automating robotic surgery, 20th Jubilee IEEE International Conference on Intelligent Engineering Systems (INES), 2016, pp. 27–32. [3] „Da Vinci X received CE mark.” [Online], http://surgrob. blogspot.hu/2017/04/da-vinci-x-received-ce-mark.html, utolsó hozzáférés: 2018.04.26.
[4] „Firefly Fluorescence Imaging” [Online], http://www.roboticsurgery. com.au/product/firefly-fluorescence-imaging/, utolsó hozzáférés: 2018.04.26.
[5] „Intuitive Surgical – da Vinci Surgical System Si.” [Online]. https://www.intuitivesurgical.com/products/davinci_surgical_system/davinci_surgical_system_si/featuresbenefits. php, utolsó hozzáférés: 2018.04.26.
[6] Russ JC: The image processing handbook, CRC press, 2016, pp. 199-279.
[7] Sonka M, Hlavac V, Boyle R: Image processing, analysis, and machine vision, Cengage Learning, 2014. pp. 390-412.
[8] Gonzalez RC, Woods RE: Digital image processing, Upper Saddle River, N.J.: Prentice Hall, 2012, pp. 76- 148.
[9] „Surgical Robot Vision @ University College London.” [Online]. http://www.surgicalvision.cs.ucl.ac.uk/research/ tooltracking/#, utolsó hozzáférés: 2018.04.26.
[10] Kumar S, Narayanan MS, Singhal P,Corso JJ, Krovi V: Surgical tool attributes from monocular video, IEEE International Conference on Robotics and Automation (ICRA), 2014, pp. 4887–4892.
[11] Kraft BM, Jäger C, K. Kraft K, Leibl BJ, Bittner R: The AESOP robot system in laparoscopic surgery: Increased risk or advantage for surgeon and patient? Surgical Endoscopy And Other Interventional Techniques, 18(8), pp. 1216-1223.
[12] „AutoLap received FDA clearance.” [Online]. http://surgrob. blogspot.hu/2016/01/autolap-received-fda-clearance. html, utolsó hozzáférés: 2018.04.26.
[13] „AutoLap Image Gallery | MST Medical Surgery Tech – nologies.” [Online]. https://mst-sys.com/autolap/gallery/, utolsó hozzáférés: 2018.04.26.
[14] Elek R, Nagy TD, Nagy DÁ, Garamvölgyi T, Takács B, Galambos P, Tar JK, Rudas IJ, Haidegger T: Towards surgical subtask automation — Blunt dissection, 21st IEEE International Conference on Intelligent Engineering Systems (INES), 2017, pp. 253-258.
[15] Murali A, Sen S, Kehoe B, Garg A, McFarland S, Patil S, Boyd WD, Lim S, Abbeel P, Goldberg K: Learning by observation for surgical subtasks: Multilateral cutting of 3D viscoelastic and 2D Orthotropic Tissue Phantoms, IEEE International Conference on Robotics and Auto – mation (ICRA), 2015, pp. 1202–1209.
[16] Sen S, Garg A, Gealy DV, McKinley S, Jen Y, Goldberg K: Automating multi-throw multilateral surgical suturing with a mechanical needle guide and sequential convex optimization, proc. of IEEE International Conference on Robotics and Automation (ICRA), 2016, pp. 4178– 4185.
[17] Kehoe B, Kahn G, Mahler J, Kim J, Lee A, Lee A, Nakagawa K, Patil S, Boyd WD, Abbeel P, Goldberg K: Autonomous multilateral debridement with the Raven surgical robot, 2014 IEEE International Conference on Robotics and Automation (ICRA), 2014, pp. 1432– 1439.
[18] Jin A, Yeung S, Jopling J, Krause J, Azagury D, Milstein A, Fei-Fei L: Tool Detection and Operative Skill Assessment in Surgical Videos Using Region-Based Convolutional Neural Networks, arXiv:1802.08774 [cs], Feb. 2018.
[19] „First clinical results with the da Vinci FC.” [Online], http://surgrob.blogspot.hu/2017/11/first-clinical-re sults-with-da-vinci-fc.html, utolsó hozzáférés: 2018. 04.26.