Real-time Volumetric Imaging for Minimally-Invasive Thoracic Interventions: A Deformable Phantom Study
Este estudio demuestra que VoxelMap, un marco de aprendizaje profundo, puede generar imágenes volumétricas 3D precisas y en tiempo real del movimiento respiratorio a partir de proyecciones fluoroscópicas 2D en un sistema de brazo en C clínico utilizando maniquíes deformables, siendo la incertidumbre del modelo un indicador fiable de la precisión de la predicción.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Dentro del pecho humano, los pulmones nunca están quietos. Con cada respiración, se expanden y contraen, desplazando la posición de los vasos sanguíneos, las vías respiratorias y cualquier tumor o instrumento en su interior. Para los médicos que realizan procedimientos delicados como biopsias o tratamientos de tumores, este movimiento constante crea un problema difícil. Ellos dependen de la fluoroscopia de rayos X, una técnica que proporciona un video continuo y en tiempo real del interior del cuerpo, muy parecido a una transmisión en vivo. Sin embargo, este video es solo bidimensional, una sombra plana que oculta la verdadera profundidad tridimensional de la anatomía. Para ver la forma completa y la ubicación de las estructuras, los médicos deben pausar el procedimiento para realizar un escaneo tridimensional, como una tomografía computarizada de haz cónico, o CBCT. Pero estos escaneos son instantáneas en el tiempo; no se actualizan mientras el paciente respira, y la anatomía puede haberse movido para cuando el médico los observa. Actualmente, no hay forma de obtener una vista tridimensional continuamente actualizada del pecho mientras el médico trabaja con equipos de rayos X estándar.
Un equipo de investigadores ha desarrollado un nuevo método para cerrar esta brecha, utilizando inteligencia artificial para reconstruir un volumen tridimensional en movimiento a partir de imágenes de rayos X bidimensionales estándar. Su trabajo, probado en modelos físicos de pulmones humanos, demuestra que es posible generar un mapa tridimensional en vivo de la anatomía respiratoria sin interrumpir el procedimiento. El sistema, llamado VoxelMap, aprende a predecir cómo se deforma el interior del pecho con cada respiración mediante el análisis de las sombras cambiantes en el video de rayos X. Si tiene éxito, esta tecnología podría permitir a los médicos navegar instrumentos a través de los pulmones con una guía tridimensional constantemente actualizada, mejorando la precisión y la seguridad sin la necesidad de realizar repetidos escaneos cargados de radiación.
Los investigadores probaron este sistema utilizando dos modelos físicos diferentes, o fantomas, diseñados para imitar el pecho humano y su movimiento respiratorio. El primer modelo, conocido como PixelPrint4D, era un fantoma de un solo pulmón construido para parecerse al pulmón de un paciente específico, con tumores y vasos sanguíneos simulados. El segundo, llamado Casper, era un modelo más completo de todo el torso humano, incluyendo costillas y una pared torácica que se movía de forma realista. Ambos modelos fueron colocados dentro de una máquina de rayos X clínica, del tipo que se encuentra en las salas de operaciones de los hospitales, y programados para respirar a través de un ciclo de diez fases distintas, desde la inhalación profunda hasta la exhalación completa. El equipo utilizó la máquina para capturar miles de imágenes de rayos X bidimensionales mientras los modelos se movían. Luego utilizaron estas imágenes para entrenar una red de aprendizaje profundo, un tipo de inteligencia artificial, para comprender la relación entre las sombras planas de los rayos X y la forma tridimensional subyacente de los pulmones.
Para asegurar que el sistema pudiera manejar la naturaleza impredecible de la respiración en el mundo real, los investigadores entrenaron a la IA en la mayoría de las fases de respiración, pero deliberadamente dejaron una fase fuera de los datos de entrenamiento. Luego pidieron al sistema que predijera la forma tridimensional de los pulmones durante esa fase faltante, utilizando únicamente las imágenes de rayos X bidimensionales tomadas en ese momento. Compararon la predicción de la IA con el escaneo tridimensional real tomado del fantoma en ese mismo instante para ver qué tan cerca estaba la coincidencia. Los resultados mostraron que el sistema podía reconstruir con precisión la anatomía tridimensional. En cada prueba, las imágenes predichas coincidieron con los escaneos reales con un alto grado de similitud, mostrando el sistema un desempeño incluso mejor en el modelo de torso más complejo que en el de pulmón único. La precisión fue tan alta que las imágenes predichas eran casi indistinguibles de la verdad de referencia en términos de detalle estructural.
La velocidad era tan crítica como la precisión para que esta tecnología fuera útil en un entorno médico en vivo. Los investigadores midieron cuánto tiempo le tomaba a la computadora procesar una sola imagen de rayos X y generar el volumen tridimensional correspondiente. El sistema completó esta tarea en menos de 15 milisegundos, una velocidad lo suficientemente rápida como para mantener el ritmo del flujo continuo de imágenes en un procedimiento en tiempo real. Esto significa que la vista tridimensional podría teóricamente actualizarse tan rápido como la máquina de rayos X captura nuevos fotogramas, proporcionando una guía fluida y en vivo para el médico.
Más allá de simplemente generar la imagen, los investigadores querían saber si el sistema podía decirle al médico cuándo podría estar equivocado. En aplicaciones médicas, es vital saber cuándo la predicción de una computadora es confiable. Para probar esto, utilizaron una técnica llamada ensamble profundo (deep ensemble), donde cinco versiones ligeramente diferentes del modelo de IA trabajaban juntas para realizar una predicción. Al observar qué tanto estos cinco modelos discrepaban entre sí, el sistema podía calcular una medida de incertidumbre. El estudio encontró un vínculo claro entre esta incertidumbre y el error real en la predicción: cuando los modelos discrepaban más, la predicción era menos precisa. Esto sugiere que el sistema podría proporcionar una señal de advertencia integrada, alertando al médico para que sea más cauteloso cuando la IA tiene menos confianza en su reconstrucción.
El estudio confirma que es posible derivar información tridimensional precisa y continuamente actualizada a partir de proyecciones de rayos X bidimensionales estándar en un entorno clínico. El sistema funcionó eficazmente a través de dos modelos físicos muy diferentes del pecho humano, manteniendo una alta precisión y velocidad. Si bien el estudio se realizó en modelos físicos y no en pacientes humanos, establece una prueba de concepto crucial. Los investigadores señalaron que se necesita más trabajo para probar el sistema con datos de pacientes reales y para asegurar que pueda manejar la variabilidad total de la respiración y la anatomía humana. Sin embargo, los hallazgos demuestran que la tecnología está lista para pasar del laboratorio hacia los ensayos clínicos, ofreciendo un futuro potencial donde los médicos puedan ver el paisaje tridimensional completo y móvil del pecho sin detener nunca el procedimiento.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.