Neural-Augmented Kelvinlet for Real-Time Soft Tissue Deformation Modeling

arXiv:2506.08043v3 Announce Type: replace-cross Abstract: 軟組織相互作用の高精度かつ効率的なモデリングは、手術シミュレーション、手術ロボティクス、およびモデルベースの手術自動化の進展にとって不可欠である。リアルタイムレイテンシを達成するために、古典的な有限要素法（FEM）解算者はしばしばニューラル近似に置き換えられるが、物理的事前知識を組み込まない完全データ駆動的な方法での単純なトレーニングは、不良の一般化と物理的に不可能な予測をもたらすことが多い。私たちは、複雑なシングルおよびマルチグレーパー相互作用下における軟組織変形のリアルタイム予測を可能にする新しい物理情報ニューラルシミュレーション枠組みを提示する。アプローチは、ケルビンレット（Kelvinlet）に基づく解析的事前知識を大規模な FEM データと統合し、線形および非線形組織応答の両方をキャッチアップする。このハイブリッド設計は、多様なニューラルアーキテクチャに対して予測精度と物理的妥当性を向上させると同時に、インタラクティブなアプリケーションに必要な低レイテンシパフォーマンスを維持する。私たちは、標準的な経腹鏡グリーピンツールを含む挑戦的な手術操作タスクにわたって我々の方法を検証し、既存の基準と比較して変形精度と時間的安定性において著しい改善を証明した。これらの結果は、ケルビンレット増強学習を実用 AI におけるリアルタイム、物理に留意した軟組織シミュレーションにおいて原理的かつ計算的に効率的なパラダイムであることを確立した。

arXiv:2506.08043v3 Announce Type: replace-cross Abstract: Accurate and efficient modeling of soft-tissue interactions is fundamental for advancing surgical simulation, surgical robotics, and model-based surgical automation. To achieve real-time latency, classical Finite Element Method (FEM) solvers are often replaced with neural approximations; however, naively training such models in a fully data-driven manner without incorporating physical priors frequently leads to poor generalization and physically implausible predictions. We present a novel physics-informed neural simulation framework that enables real-time prediction of soft-tissue deformations under complex single- and multi-grasper interactions. Our approach integrates Kelvinlet-based analytical priors with large-scale FEM data, capturing both linear and nonlinear tissue responses. This hybrid design improves predictive accuracy and physical plausibility across diverse neural architectures while maintaining the low-latency performance required for interactive applications. We validate our method on challenging surgical manipulation tasks involving standard laparoscopic grasping tools, demonstrating substantial improvements in deformation fidelity and temporal stability over existing baselines. These results establish Kelvinlet-augmented learning as a principled and computationally efficient paradigm for real-time, physics-aware soft-tissue simulation in surgical AI.