Video Experimental Relacionado
Updated: Jun 19, 2026
Real-time Monitoring of High Intensity Focused Ultrasound HIFU Ablation of In Vitro Canine Livers Using Harmonic Motion Imaging for Focused Ultrasound HMIFU
Published on: November 3, 2015
Mapeo de Desplazamiento Basado en Ultrasonido Intraoperatorio Mediante Aprendizaje Profundo
Shrinit Babel1,2, Vratko Himic3, Daniel M Aaronson3,4
1Morsani College of Medicine, University of South Florida, Tampa, Florida, USA.
Este estudio presenta un marco de aprendizaje profundo para predecir el desplazamiento cerebral utilizando exploraciones de ultrasonido intraoperatorio (iUS), lo que permite ajustes de navegación quirúrgica en tiempo real sin depender de la resonancia magnética. El modelo de IA estima con precisión la deformación cerebral, mejorando la precisión quirúrgica.
Área de la Ciencia:
- Neurocirugía; Imagenología Médica; Inteligencia Artificial
Sus antecedentes:
- El desplazamiento cerebral durante la cirugía compromete la precisión de la navegación.; Los métodos actuales se basan en resonancia magnética intraoperatoria, lo que limita la aplicación en tiempo real.; El ultrasonido intraoperatorio (iUS) ofrece una alternativa de bajo costo y en tiempo real.
Objetivo del estudio:
- Desarrollar un marco de aprendizaje profundo para predecir la deformación cerebral a nivel de vóxel a partir de exploraciones iUS.; Permitir la compensación localizada del desplazamiento cerebral sin resonancia magnética preoperatoria.; Mejorar la adaptabilidad intraoperatoria en neurocirugía.
Principales métodos:
- Se entrenaron dos arquitecturas de redes neuronales 3D y un modelo de conjunto con datos de iUS de 13 pacientes.; Se utilizaron exploraciones de iUS 3D pareadas pre y post-resección con anotaciones de puntos de referencia.; Se evaluó el rendimiento utilizando métricas de regresión y validación cruzada leave-one-patient-out.
Principales resultados:
- El modelo de conjunto equilibró el error cuadrático medio de la raíz y la precisión direccional.; El mapeo de gradiente ponderado de activación de clase identificó regiones clave de deformación.; La mayoría de los pacientes mostraron un error absoluto mediano inferior a 2 mm, con desafíos para la anatomía atípica.
Conclusiones:
- Se demostró la viabilidad de estimar el desplazamiento cerebral directamente de exploraciones iUS a iUS utilizando aprendizaje profundo.; El enfoque proporciona campos de deformación densos y en tiempo real para mejorar la navegación quirúrgica.; El trabajo futuro requiere conjuntos de datos más grandes y diversos y aprendizaje multitarea para mejorar la precisión.
