수술용 조직 견인은 부분적이고 잡음이 섞인 관측 아래에서 계획을 세워야 한다. arXiv 프리프린트로 공개된 이 연구는 그런 조건에서 변형 가능한 조직의 전체 상태를 어떻게 추정할지에 초점을 맞췄다. 관측 시점에는 표면의 일부 점만 보인다는 제약을 전제로, 연구진은 40개의 잡음 섞인 vertex 관측으로 전체 deformable mesh 상태를 복원하는 학습 기반 상태추정기를 제안했다.
핵심은 저차원 표현과 기하학적 제약을 함께 쓰는 구성이다. 먼저 PCA로 변형 조직 상태를 12차원 잠재공간에 담았고, 이 잠재표현은 5,000개의 무작위 mesh 상태로부터 얻어져 전체 분산의 약 83.7%를 설명했다. 그다음 3층 multilayer perceptron이 관측된 vertex 좌표와 인덱스를 입력받아 잠재상태를 예측하고, 역PCA로 전체 mesh를 복원한다.
학습 단계에서는 재구성 오차에 더해 smoothness와 stretch를 벌점으로 주는 geometry-aware regularization을 사용했다. 손실은 Lrecon + λsLsmooth + λeLstretch로 정의됐으며, λs와 λe는 각각 0.1로 고정됐다. 입력 관측에는 표준편차 σ=0.02의 가우시안 노이즈가 더해졌고, 매 단계마다 900개 vertex 중 40개만 무작위로 비복원 추출해 보는 설정을 썼다.
검증은 2D deformable sheet 시뮬레이션에서 이뤄졌다. 단일 단계와 다단계 retraction planning을 모두 평가했고, 시뮬레이션은 200개 에피소드, 고정 random seed, Laplacian relaxation 기반 변형 모델로 구성됐다. 액션은 grasp point와 pull displacement로 정해지는 patch-based pulling이며, 후보 200개를 샘플링해 예측 exposure가 가장 큰 행동을 고르는 방식이었다.
단일 단계에서는 learned estimator의 mean exposure improvement가 0.1055, success rate가 50.0%였고, oracle은 각각 0.0989와 47.0%, naive baseline은 0.0951과 45.5%였다. 다단계에서는 두 번의 행동 뒤 oracle이 mean improvement 0.0958, success rate 45.0%를 보였고, learned estimator는 0.0941과 같은 success rate를 기록해 오라클 성능의 98.1%에 도달했다. 이때 step-one 대비 향상폭은 oracle 7.3%, learned estimator 15.5%로 보고됐다.
연구는 오라클 비교가 타당한지도 함께 점검했다. 샘플 행동 수를 200, 500, 1000, 2000으로 늘려도 mean improvement는 10배 계산 예산 범위에서 2.7%만 증가했고, success rate는 44.5%로 유지됐다. 200과 2000 샘플 사이 independent t-test의 p값은 0.835였다. 전체 200개 에피소드 중 약 57%는 처음부터 목표가 완전히 노출돼 성공 기준(개선 0.05)을 넘기 어려웠고, 나머지 89개 개선 가능 에피소드에서는 오라클이 100% 성공했다.
| 항목 | 수치/구성 | 근거 위치 |
|---|---|---|
| 관측 입력 | 900개 vertex 중 40개 관측, 4.4%, σ=0.02 가우시안 노이즈 | p.1 | METHOD |
| 잠재표현 | PCA 12차원 latent space, 5,000개 mesh 상태로 학습, 분산 약 83.7% 설명 | p.2 | Learned State Estimator |
| 단일 단계 성능 | learned 0.1055 / 50.0%, oracle 0.0989 / 47.0%, naive 0.0951 / 45.5% | p.2 | Single-Step Results |
| 다단계 성능 | learned 0.0941 / 45.0%, oracle 0.0958 / 45.0%, oracle 회복 98.1% | p.2 | Multi-Step Results |
| 오라클 타당성 점검 | nsamples 200~2000에서 mean improvement 2.7% 증가, success rate 44.5% 유지, p=0.835 | p.2 | Oracle Analysis and Problem Distribution |
자료: STORIUM 정리
첫 저자 소속은 Brown University, Providence, RI, USA로 표기됐다. 결론에서 연구진은 향후 실제 조직 데이터 검증과 관측 밀도·노이즈 수준 변화에 대한 강건성 평가를 계획한다고 밝혔다.
저작권자 © STORIUM 무단전재 및 재배포 금지
