Video Experimental Relacionado
Updated: Feb 17, 2026
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
Estimación de profundidad intraoperatoria en tiempo real en cirugía transesfenoidal mediante aprendizaje profundo: un
Olivier Zanier1, Aron Alakmeh2, Raffaele Da Mutten3
1Machine Intelligence in Clinical Neuroscience & Microsurgical Neuroanatomy (MICN) Laboratory, Department of Neurosurgery, Clinical Neuroscience Center, University Hospital Zurich, University of Zurich, Zurich, Switzerland; Department of Oncology, University of Oxford, Oxford OX3 7DQ, United Kingdom.
Los modelos de aprendizaje profundo como DINOv2 pueden estimar la profundidad en videos de neurocirugía endoscópica, mejorando potencialmente la orientación del cirujano. Esta aplicación de inteligencia artificial ayuda a visualizar campos quirúrgicos sin equipo especial.
Área de la Ciencia:
- Neurocirugía
- Imagenología Médica
- Inteligencia Artificial
Sus antecedentes:
- Los enfoques endoscópicos endonasales y transcraniales son vitales en neurocirugía para la resección de tumores como los adenomas hipofisarios.
- El video endoscópico estándar es 2D, lo que limita la percepción de profundidad y la orientación intraoperatoria.
Objetivo del estudio:
- Explorar el uso del modelo de aprendizaje profundo DINOv2 para generar información de profundidad 3D a partir de videos de cirugía endoscópica 2D.
- Evaluar la viabilidad de mejorar la orientación intraoperatoria en neurocirugía utilizando la estimación de profundidad impulsada por IA.
Principales métodos:
- Se aplicó el modelo de aprendizaje profundo DINOv2 a las transmisiones de video de ocho cirugías endonasales transesfenoidales.
- Se generaron mapas de profundidad numéricos y se visualizaron utilizando mapas de color.
- Se evaluó la calidad de la estimación de profundidad subjetivamente por neurocirujanos y semicuantitativamente frente a segmentaciones manuales.
Principales resultados:
- DINOv2 generó con éxito mapas de profundidad y mapas de color, alineándose bien con las evaluaciones subjetivas de expertos.
- El análisis semicuantitativo mostró una puntuación media del Índice de Similitud DICE de 0.48 para las estimaciones del área de profundidad.
- Los resultados indican potencial pero requieren una interpretación cautelosa debido a cortes de segmentación no estandarizados.
Conclusiones:
- El aprendizaje profundo, específicamente DINOv2, puede estimar la profundidad en imágenes de neurocirugía endoscópica.
- Esta tecnología promete mejorar la orientación intraoperatoria y aumentar las transmisiones de video endoscópico.
- La IA ofrece oportunidades significativas para mejorar la visualización y la navegación quirúrgica.
