Trajectory planning and tactile exploration for a robotic breast palpation application

Breast cancer is the most common type of cancer worldwide and early detection is one of the main factors leading to an increased survival rate. The most common screening techniques are breast examination and mammography, which have some limitations respectively in terms of accuracy and availability. To solve these problems, innovative cancer detection techniques are being developed, including Autonomous Robotic Breast Palpation (ARBP), which could provide both accurate and accessible examinations. ARBP is a very complex and largely unexplored problem. This thesis presents a proof of concept end-to-end framework for ARBP, composed of a deep learning model for path planning from visual input based on Learning from Demonstration and Movement Primitives, a motion control policy based on impedance control and tactile feedback, and some tactile exploration policies for lump detection in soft tissue. Two different tasks were defined and three data collections were performed to train and evaluate the path planning model, using a Franka Emika Robot System equipped with a tactile sensor, and a realistic silicone breast phantom. Among the three evaluated deep learning architectures (FC, CNN, PointNet) the CNN resulted to be the best performing one and an ablation study was performed to prove its ability to generalise. The exploration policies and the lump detection algorithm were developed on a simplified flat silicone phantom, evaluating their sensitivity and specificity in detecting lumps via the collected tactile data. Although this framework is not ready to be deployed in a real-world scenario, the results show that path planning, motion control, and tactile exploration in a fully autonomous breast examination solution are feasible. These results, together with recent studies exploring public acceptance and the development of a robotic platform specifically designed for breast palpation, suggest that ARBP could be a viable solution for the early detection of breast cancer.

Il cancro al seno è il più comune tipo di cancro al mondo e la diagnosi precoce è uno dei principali fattori conduttivi a un maggiore tasso di sopravvivenza, ma le tecniche di screening più comuni, l'esaminazione manuale del seno e la mammografia, sono limitate rispettivamente nella precisione e nella disponibilità. Per risolvere questi problemi, alcune tecniche innovative di screening stanno venendo sviluppate, tra cui la Palpazione Robotica Autonoma del Seno (PRAS), che potrebbe fornire esami sia accurati che accessibili. Il problema della PRAS è molto complesso e largamente inesplorato. Questa tesi presenta una proof of concept di un framework end-to-end per la PRAS, composto da un modello di deep learning per la pianificazione della traiettoria da input visivi basato sull'apprendimento per dimostrazione e sulle primitive di movimento, una politica di controllo del movimento basata sul controllo dell'impedenza e sul feedback tattile, e alcune politiche di esplorazione tattile per la rilevazione di noduli all'interno di tessuti molli. Sono state definite due attività e sono state eseguite tre raccolte di dati per addestrare e valutare il modello di pianificazione della traiettoria, utilizzando un robot Franka Emika equipaggiato con un sensore tattile e un modello realistico in silicone di un seno. Fra le architetture di deep learning che sono state valutate (FC, CNN, PointNet) la CNN è risultata la più performante ed è stato eseguito uno studio di ablazione per dimostrare la sua capacità di generalizzazione. Le politiche di esplorazione e l'algoritmo di rilevamento dei noduli sono stati sviluppati su un modello semplificato, valutando la loro sensibilità e specificità nella rilevazione di noduli attraverso i dati tattili raccolti. Anche se questo framework non è pronto per un uso in uno scenario reale, i risultati mostrano che la pianificazione della traiettoria, il controllo del movimento e l'esplorazione tattile in una soluzione di PRAS sono fattibili. Questi risultati, assieme a dei recenti studi che hanno esplorato l'accettazione da parte del pubblico e lo sviluppo di una piattaforma robotica specificamente progettata per la palpazione del seno, suggeriscono che la PRAS potrebbe costituire una valida soluzione per la diagnosi precoce del cancro al seno.