Cerrahi Simülasyonda Çok Çözünürlüklü Öğrenme: SurgFormer ve Biyolojik Algının Mekanik Yansımaları

Giriş

Cerrahi eğitim ve planlama sistemlerinde yumuşak doku mekaniğinin gerçekçi modellenmesi, on yıllardır hesaplamalı biyomekaniğin en temel problemlerinden biri olmuştur. Yüksek sadakatli finite element method (FEM) tabanlı çözücüler, organ deformasyonunun fiziksel olarak doğru simülasyonunu sağlarken, büyük seyrek sistemlerin tekrar tekrar çözülmesi gerektiğinde etkileşimli kullanım için yeterince hızlı olmaktan uzaktır. İşte tam bu noktada SurgFormer: Scalable Learning of Organ Deformation with Resection Support and Real-Time Inference başlıklı çalışma, veriye dayalı bir surrogate (vekil) model olarak devreye giriyor ve volumetrik meshler üzerinde gerçek zamanlı çıkarım yapabilen, çok çözünürlüklü bir gated transformer mimarisi sunuyor.

Bu makalenin temel argümanı, sadece sürekli deformasyonları değil, aynı zamanda topoloji değiştiren rezeksiyon (resection) işlemlerini de tek bir birleşik pipeline içinde modelleyebilen ilk öğrenmiş volumetrik vekil olmasıdır. XFEM (eXtended Finite Element Method) tabanlı süpervizyon ile eğitilen bu model, kolesistektomi ve apendektomi prosedürlerini kapsayan yeni veri setleri üzerinde hem standart deformasyon tahmini hem de kesme koşullandırılmış (cut conditioned) simülasyon görevlerinde etkili sonuçlar vermektedir.

Mimari Yenilikler: Ölçeklenebilirlik ve Global Bağlam Dengesi

SurgFormer'ın mimari tasarımı, cerrahi geometri üzerinde öğrenmenin doğası gereği getirdiği zorluklara doğrudan bir yanıt niteliğindedir. Organlar, düzenli gridler yerine düzensiz volumetrik meshler olarak temsil edilir ve bu meshler genellikle yüz binlerce düğüm (node) içerir. Ayrıca cerrahi etkileşim sinyalleri seyrek ve lokalize olmasına rağmen, dokular üzerinde global etkiler yaratabilir.

Mimari üç temel bileşenin birleşiminden oluşur:

• Lokal mesaj iletimi (local message passing): Graf tabanlı sinir ağlarında olduğu gibi, her düğüm komşularıyla olan yerel etkileşimleri işleyerek geometrik derin öğrenmenin (geometric deep learning) temel avantajlarını korur.
• Kaba seviyede global self attention: Transformer mimarisinin gücünü kullanarak uzun menzilli bağımlılıkları modelleme yeteneği sağlar. Ancak kritik olarak, bu attention mekanizması sadece hiyerarşinin kaba çözünürlüklü seviyelerinde uygulanır, böylece hesaplama maliyeti en yüksek çözünürlükte patlamaz.
• Noktasal feedforward güncellemeler: Her düğümde bağımsız olarak uygulanan lineer dönüşümler.

Bu üç bileşen, learned per-node, per-channel gates (öğrenilmiş düğüm başına, kanal başına kapılar) aracılığıyla birleştirilir. Bu gating mekanizması, modelin her bir düğüm için lokal ve global bilgiyi ne oranda birleştireceğini adaptif olarak öğrenmesine olanak tanır. Sonuç olarak, büyük volumetrik meshler üzerinde ölçeklenebilirlik (scalability) korunurken, global bağlamdan da faydalanılabilir.

Rezeksiyon Destekli Simülasyon: Süreklilik ve Kopuklukların Birlikte Modellenmesi

Cerrahi simülasyonun en zorlayıcı yönlerinden biri, dokunun bütünlüğünün bozulduğu rezeksiyon senaryolarını modellemektir. Geleneksel öğrenilmiş vekiller genellikle sürekli deformasyonlara odaklanırken, kesme işlemleri topolojik süreksizlikler (discontinuities) ve etkin alanın değişmesi gibi zorluklar sunar.

SurgFormer bu problemi learned cut embedding (öğrenilmiş kesme gömülü temsil) yaklaşımıyla çözer. Her düğümün girdi özellik vektörüne, o düğümün rezeksiyon bölgesine ait olup olmadığını belirten d-boyutlu bir gömülü vektör eklenir. Mesh grafiği sabit kalırken, ağ bu kesme koşulunu diğer tüm düğüm özellikleriyle birlikte yorumlayarak topoloji değiştiren mekanikleri tahmin eder. Bu yaklaşım, XFEM tabanlı zenginleştirilmiş simülasyonlardan elde edilen süpervizyon ile eğitilir.

Çalışma, bu çerçeveyi değerlendirmek için iki prosedür düzeyinde veri seti sunar: kolesistektomi (safra kesesi çıkarma) rezeksiyon veri seti ve apendektomi (apandisit çıkarma) manipülasyon/rezeksiyon veri seti. Her iki veri seti de kesilmiş ve kesilmemiş durumları birleşik bir protokol altında içerir. Bu, modelin hem standart deformasyon tahmini hem de kesme koşullandırılmış tahmin görevlerinde aynı mimari ve değerlendirme pipeline'ı kullanarak çalışabileceği anlamına gelir; bu özellik literaturede ilk defa bu çalışmada sunulmaktadır.

Kendi Yorumum: Hiyerarşik Tahmine Dayalı Kodlama ve Biyolojik Algı

SurgFormer'ın multiresolution gating mekanizması, biyolojik algı sistemlerinin çalışma prensipleriyle dikkat çekici bir paralellik göstermektedir. Görsel kortekste, V1 (birincil görsel korteks) alanı lokal özellikleri işlerken, üst seviyeler (higher areas) global nesne tutarlılığını korur. Dikkat mekanizmaları (attentional mechanisms), yerel sinyallerin ne zaman yukarı akacağını (upstream) kontrol eden bir kapı görevi görür.

SurgFormer'da local message passing ve coarse global attention'ın per-node gates ile füzyonu, biyolojik sistemin bu hiyerarşik yapısına mekanik bir yansıma olarak okunabilir. Modelin hem sürekli deformasyonu hem de süreksiz rezeksiyonu aynı çerçevede tahmin edebilmesi, beynin bir nesneyi topolojik değişikliklere (örneğin bir objenin bir başka obje tarafından kapatılması/occlusion) rağmen bütün olarak algılama yeteneğine tekabül eder. Bu benzetme, sağlam fiziksel simülasyonun da biyolojik algının temelinde yatan hiyerarşik tahmine dayalı kodlama (hierarchical predictive coding) prensiplerini gerektirdiğini düşündürmektedir.

Transformer mimarisinin bu bağlamda tercih edilmesi de anlamlıdır. Attention mekanizmaları, cerrahi etkileşimin neden olduğu uzak düğümler arasındaki kuvvet iletimini modellemede etkilidir. Ancak saf transformer'lar volumetrik meshlerde hesaplama karmaşıklığı açısından pahalıdır. SurgFormer'ın multiresolution yaklaşımı, bu trade-off'u zarif bir şekilde çözerek, neredeyse gerçek zamanlı çıkarım (near real-time inference) ile yüksek doğruluk arasında optimal bir denge kurar.

Ayrıca, XFEM tabanlı süpervizyonun kullanılması, veriye dayalı modellerin fiziksel olarak tutarlı sonuçlar üretmesi açısından kritiktir. Sadece ham veriyle eğitilmiş modeller, fizik yasalarını ihlal eden patolojik çözümler üretebilirken, FEM/XFEM çözücülerinden elde edilen etiketler fiziksel kısıtlamaları açıkça kodlar. Bu, benchmark metriklerinde sadece düğüm bazlı yer değiştirme hatalarının (nodewise displacement errors) düşük olması değil, aynı zamanda simülasyonun fiziksel olarak anlamlı olması anlamına gelir.

Sonuç

SurgFormer, cerrahi simülasyonda ölçeklenebilirlik, gerçek zamanlı performans ve topolojik değişimleri modelleme kapasitesini tek bir mimaride birleştiren önemli bir adımı temsil etmektedir. Multiresolution gated transformer tasarımı, büyük volumetrik meshler üzerinde global bağlamı verimli bir şekilde kullanma sorununa pratik bir çözüm sunarken, cut conditioning mekanizması rezeksiyon destekli simülasyonları standart deformasyon pipeline'ı ile bütünleştirir.

Bu çalışmanın sunduğu birleşik framework, gelecekte robotik cerrahi sistemlerde fine-tuning yapılarak hasta spesifik preoperatif planlamada kullanılabilir. Ayrıca, biyolojik algı sistemleriyle olan mimari benzerlikler, fizik tabanlı simülasyon ve nöral hesaplama arasındaki derin bağlantıları ortaya koymaktadır. Veriye dayalı surrogate modeller ile klasik FEM yöntemleri arasındaki bu sentez, etkileşimli cerrahi rehberlik sistemlerinin gelişiminde yeni olanaklar sunmaktadır.