Modelado de la cinemática del intensificador de imagen y la mesa de operaciones mediante aprendizaje automático

Área de la Ciencia:

• Robótica y Aprendizaje Automático en Dispositivos Médicos
• Sistemas de Navegación Quirúrgica
• Tecnología de Imagen Médica

Sus antecedentes:

• Los sistemas modulares de intensificador de imagen son cruciales para la imagen intraoperatoria, pero enfrentan desafíos en el modelado cinemático y la optimización del espacio de trabajo.
• Garantizar el movimiento libre de colisiones y maximizar el acceso a la imagen en sistemas con múltiples grados de libertad es complejo.
• Los métodos actuales a menudo carecen de la escalabilidad, robustez y rendimiento en tiempo real necesarios para entornos quirúrgicos dinámicos.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático eficiente en datos para el modelado cinemático y la optimización del espacio de trabajo en sistemas modulares de intensificador de imagen.
• Permitir una planificación precisa de trayectorias y la evitación de colisiones en sistemas con 5 a 9 grados de libertad.
• Mejorar el acceso a la imagen intraoperatoria y reducir los riesgos asociados con las colisiones del sistema.

Principales métodos:

• Se utilizó un conjunto de datos completo de configuraciones de juntas y poses del efector final con estado de colisión anotado.
• Se entrenaron modelos predictivos utilizando conjuntos de datos expansivos derivados de simulaciones y se validaron con generación simulada de rayos X.
• Se implementó un marco de aprendizaje automático para inferencia en tiempo real y planificación de trayectorias basada en datos.

Principales resultados:

• Se logró una precisión posicional submilimétrica y una precisión angular subgrado en el modelado cinemático.
• Se demostraron capacidades de inferencia en tiempo real que superan a los métodos convencionales en escalabilidad, robustez y latencia computacional.
• Se validó la efectividad del marco para mejorar el acceso a la imagen y reducir los riesgos de colisión intraoperatoria.

Conclusiones:

• El marco de aprendizaje automático propuesto ofrece una solución basada en datos para el modelado cinemático y la optimización del espacio de trabajo en sistemas complejos de intensificador de imagen.
• Este enfoque mejora significativamente la precisión y seguridad de la cirugía asistida por robot al permitir una planificación eficiente de trayectorias.
• El marco proporciona un avance clínicamente relevante para mejorar los flujos de trabajo quirúrgicos y los resultados de los pacientes.