부착 앵커: 대장암 수술에서 복강경 잡기점 예측을 위한 새로운 프레임워크

초록

본 논문은 대장 절제술 중 결장 유동화 단계에서 조직의 기계적·해부학적 연결 정보를 ‘부착 앵커’라는 중간 표현으로 정형화하고, 이를 이미지 기반 딥러닝 모델에 통합하여 잡기점을 예측한다. 90건의 실제 수술 데이터를 통해 이미지‑전용 베이스라인 대비 정확도가 크게 향상되었으며, 특히 미보인 절차와 외과의사에 대한 일반화 성능이 우수함을 보였다.

상세 분석

본 연구는 복강경 수술에서 가장 난이도가 높은 대장 절제술을 자동화하기 위한 핵심 문제인 ‘잡기점 예측’을 새로운 시각적 중간 표현인 부착 앵커(Attachment Anchor)로 접근한다. 부착 앵커는 2차원 극좌표계에서 기계적 원점 O와 세 개의 단위벡터(두 개의 마운팅 벡터 e_mnt,1, e_mnt,2와 하나의 접착 벡터 e_adh)로 구성된다. 이 구조는 조직이 강직한 해부학적 구조에 어떻게 부착되어 있는지를 기하학적으로 캡처하면서, 스케일에 무관하게 방향 정보만을 보존한다는 장점이 있다. 논문은 대장 유동화 단계에서 흔히 관찰되는 세 가지 물리적 상황—‘접착 스트랜드’, ‘접착 삼각형’, ‘평면 접착’—을 정의하고, 각각에 맞는 벡터 배치를 제시한다.

기술적으로는 YOLOv8 기반의 객체 탐지 네트워크를 ‘부착 앵커 인코더’로 사용해 입력 이미지와 목표 절개점 D를 동시에 처리한다. 인코더는 이미지 내에서 원점 O와 세 벡터를 위치·방향으로 예측해 구조화된 앵커 A를 생성한다. 이어서 ‘잡기점 디코더’는 A와 D를 입력으로 받아, 원점 기준 방사형 회귀(radial regression)를 수행해 최적의 잡기점 G를 산출한다. 이 두 단계는 엔드‑투‑엔드 학습이 가능하도록 설계되었으며, 손실 함수는 앵커 위치·벡터 방향 오차와 잡기점 좌표 오차를 동시에 최소화한다.

데이터 측면에서 저자들은 90건의 실제 대장 절제 수술 영상을 수집하고, 각 영상에 대해 외과 전문의가 지정한 절개점 D와 잡기점 G, 그리고 부착 앵커 라벨을 전문가가 직접 주석하였다. 데이터는 절차별, 외과의사별, 그리고 장비별 다양성을 확보해 훈련·검증·테스트 셋을 구성했으며, 특히 테스트 셋에는 훈련에 포함되지 않은 절차와 외과의사의 사례를 포함해 OOD(out‑of‑distribution) 일반화 능력을 평가하였다.

실험 결과는 두 가지 주요 지표—거리 오차와 성공률—에서 기존 이미지‑전용 베이스라인(예: 직접 깊이 기반 회귀, 전체 6‑DOF 그립 추정) 대비 평균 12%~18%의 성능 향상을 보였다. 특히 OOD 상황에서 성능 격차가 더욱 커져, 부착 앵커가 장면의 기계적 구조를 추상화함으로써 시각적 변동성을 효과적으로 억제한다는 점을 입증했다. 또한, 부착 앵커를 활용한 데이터 증강(벡터 회전, 스케일 변환 등)이 모델의 견고성을 크게 높였으며, 실제 수술 로봇 시스템에 적용했을 때 잡기점 선택 시간도 0.2 초 수준으로 실시간 요구사항을 만족했다.

이 논문은 기존의 ‘전역 6‑DOF 그립’ 접근법이 갖는 복잡도와 계산 비용을 크게 낮추면서, 조직의 물리적 연결성을 명시적으로 모델링함으로써 의료 로봇 분야에서 중요한 ‘시각‑기계적 통합’ 패러다임을 제시한다. 향후 연구는 부착 앵커를 이용한 연속적인 조직 노출 궤적 계획, 다중 로봇 협업, 그리고 다른 복잡한 복강경 절차(예: 직장 절제술)로의 확장 가능성을 열어준다.