Autonomous pathology grossing robot

病変部分の切り出し線決定の自動的に関する研究を昨年度に引き続き行った。まず、病変部分のセグメンテーションの自動化を試みた。病理検体の切除線を判定する前段階として、病変部位である腫瘍領域を推定するAIのプロトタイプを開発してきた。これまでに入手した1,694件のうち腫瘍部位の記載がある1,042セットを用いて腫瘍領域を推定するAIを開発した。その結果、F値（正確さの指標）0.666を得た。300セットを用いた以前のAIのF値0.658に対して改善が見られたが限定的であった。詳細に内訳をみると、ヒトが見て判り易い型では改善が見られたが、判り難い型では改善が見られないことがわかった。また、病変部分のセグメンテーションについて、推定精度の向上と解析を進めるため、腫瘍の肉眼型や治療歴、大腸の部位等に関するデータセットを収集した。さらに、これまで、シミュレーションにより切削力が小さくなるような切り方とはどのようなものかを解析してきたが、切削力と切断面性状との関係は必ずしも明確ではなかった。そこで、さらに良い切除方法を探るため、医師の検体切り出し作業を撮影し、医師の動作解析を行なった。切断動作の動画クリップ全4,234件のうち，フレームアウトするなどナイフの動きを追尾できなかった場合を除く1,560件について，切断箇所・使用されたナイフの種類等により分類し、分析を進めた。なお、データセットには病理切除の経験年数の情報も含めた。ロボット制御に関しては、遠隔操作で病理切除を可能とする際に必ず必要になる左右のアームの衝突回避機能についてベクトル場における不等式を用いる方法の研究を進めた。

病変部分の切り出し線決定の自動的に関する研究を昨年度に引き続き行った。まず、病変部分のセグメンテーションの自動化を試みた。病理検体の切除線を判定する前段階として、病変部位である腫瘍領域を推定するAIのプロトタイプを開発してきた。これまでに入手した1,694件のうち腫瘍部位の記載がある1,042セットを用いて腫瘍領域を推定するAIを開発した。その結果、F値（正確さの指標）0.666を得た。300セットを用いた以前のAIのF値0.658に対して改善が見られたが限定的であった。詳細に内訳をみると、ヒトが見て判り易い型では改善が見られたが、判り難い型では改善が見られないことがわかった。また、病変部分のセグメンテーションについて、推定精度の向上と解析を進めるため、腫瘍の肉眼型や治療歴、大腸の部位等に関するデータセットを収集した。さらに、これまで、シミュレーションにより切削力が小さくなるような切り方とはどのようなものかを解析してきたが、切削力と切断面性状との関係は必ずしも明確ではなかった。そこで、さらに良い切除方法を探るため、医師の検体切り出し作業を撮影し、医師の動作解析を行なった。切断動作の動画クリップ全4,234件のうち，フレームアウトするなどナイフの動きを追尾できなかった場合を除く1,560件について，切断箇所・使用されたナイフの種類等により分類し、分析を進めた。なお、データセットには病理切除の経験年数の情報も含めた。ロボット制御に関しては、遠隔操作で病理切除を可能とする際に必ず必要になる左右のアームの衝突回避機能についてベクトル場における不等式を用いる方法の研究を進めた。