في عالم الجراحة بالروبوت المُساعدة (Robot-Assisted Minimally Invasive Surgery - RAMIS)، يُعتبر تقدير الفجوة المجسمة (Stereo Disparity Estimation) أمراً حيوياً للحصول على معلومات دقيقة حول العمق. ومع تقدم تقنيات التعلم العميق، لا يزال هناك تحديات تتعلق بتحقيق توازن مثالي بين الدقة والموثوقية وسرعة الاستجابة. هنا يأتي دور نظام StereoMamba الجديد، الذي يُمثّل نقلة نوعية في هذا المجال.

يستند تصميم StereoMamba إلى وحدة جديدة تُدعى وحدة استخراج الميزات (Feature Extraction Mamba - FE-Mamba)، مما يُعزّز الاعتماد على العلاقات المكانية الطويلة سواء ضمن الصور المجسمة أو عبرها. ومن خلال دمج الميزات متعددة المقاييس من FE-Mamba، تُقدّم النظام وحدة دمج الميزات متعددة الأبعاد (Multidimensional Feature Fusion - MFF).

أكدت التجارب التي أُجريت على معيار SCARED ex-vivo أن نظام StereoMamba يُحقق أداءً أفضل بمعدل خطأ تقدير الدقة (EPE) يصل إلى 2.64 بكسل ومتوسط خطأ العمق (MAE) بمقدار 2.55 ملم. كما حققت النتائج المركز الثاني في مقاييس Bad2 وBad3 بتقييم 41.49% و26.99% على التوالي، بينما احتفظت بسرعة استجابة تصل إلى 21.28 إطارًا في الثانية لصورة عالية الدقة (1280*1024). هذا يُظهر أن StereoMamba يحقق توازنًا مثاليًا بين الدقة والموثوقية والكفاءة.

علاوةً على ذلك، من خلال مقارنة الصور اليمنى المُولّدة من تشويه الصور اليسرى باستخدام خرائط الفجوة المُولّدة، مع الصور اليمنى الحقيقية، أثبت نظام StereoMamba تفوقه في الحصول على أفضل متوسط لـ SSIM (0.8970) وPSNR (16.0761)، مما يعكس قدرته الاستثنائية على التعميم عند العمل مع بيانات RIS2017 وStereoMIS.

في النهاية، يُمكن القول إن نظام StereoMamba ليس مجرد خطوة للأمام في مجال تقدير العمق، بل هو تطور يجلب فوائد جذرية للجراحة بالروبوت، مما يعزز قدرات الجراحين في العمليات الأكثر تعقيدًا.