Robotic path planning for breast cancer examination through deep learning from demonstration

During 2020, breast cancer affected around two million people worldwide; early detection is therefore the first strategy to achieve the best chance of cure. Nowadays, mammography and self-palpation are the known monitoring methods. The high number of cases and the difficulty of correct self-diagnosis has prompted research to design a fully autonomous robot for breast palpation. Specifically, this study focuses on learning the trajectory that the robot must follow in order to examine a surface of a silicone model. Learning from demonstrations proved to be the most suitable approach in order to reproduce the desired path. In the first phase, the work focused on the implementation of a teleoperation control between two Franka Emika Panda robots with tactile and force feedback, able to perform palpation on both simple and complex shapes; thanks to this procedure, it was possible to create a data set of real trajectories for breast palpation. Subsequently, different sequential neural networks such as RNN, LSTM, GRU and TCN were tested to learn the stochastic behaviour of the acquired trajectories. The results showed that TCN is capable of reproducing the desired behaviour with more accuracy and stability than the other models.

Nel 2020 sono stati diagnosticati circa due milioni di casi di tumore al seno in tutto il mondo; una diagnosi precoce è quindi la prima strategia per ottenere maggiori probabilità di guarigione. Attualmente i metodi di monitoraggio conosciuti sono la mammografia e l’auto-palpazione. L’elevato numero di casi e la difficoltà di una corretta auto-diagnosi ha sollecitato la ricerca a progettare un robot completamente autonomo per la palpazione al seno. In particolare, il presente studio si è focalizzato sull’apprendimento della traiettoria che il robot deve seguire per esaminare una superficie di un modello in silicone. L'apprendimento tramite dimostrazioni reali è risultato essere l'approccio più adatto al fine di riprodurre il comportamento desiderato. Nella prima fase, il lavoro si è concentrato sull’implementazione di un controllo di teleoperazione tra due Franka Emika Panda robot con feedback tattile e di forza, in grado di eseguire la palpazione sia su forme semplici che complesse; grazie a questo controllo è stato possibile creare un data-set di traiettorie reali per la palpazione al seno. Successivamente, per apprendere il comportamento stocastico delle traiettorie acquisite, sono state testate diverse reti neurali sequenziali quali RNN, LSTM, GRU e TCN. I risultati hanno mostrato che il TCN è capace di riprodurre con più accuratezza e stabilità rispetto agli altri modelli il comportamento desiderato.