Detección por deep learning de puntos de riesgo en la trayectoria de un asistente robotizado en cirugías endonasales transesfenoidales

Use this link to cite
http://hdl.handle.net/2183/31418
Except where otherwise noted, this item's license is described as Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
Collections
Metadata
Show full item recordTitle
Detección por deep learning de puntos de riesgo en la trayectoria de un asistente robotizado en cirugías endonasales transesfenoidalesAlternative Title(s)
Detection by Deep Learning of Risk Points in the Trajectory of a Robotic Assistant in Transsphenoidal Endonasal SurgeriesAuthor(s)
Date
2022Citation
Fontúrbel, C., Ayuso-Lera, A., Fuente-López, E., Fraile, J-C., Pérez-Turiel, J. (2022) Detección por deep learning de puntos de riesgo en la trayectoria de un asistente robotizado en cirugías endonasales transesfenoidales. XLIII Jornadas de Automática: libro de actas, pp.993-1000 https://doi.org/10.17979/spudc.9788497498418.0993
Abstract
[Resumen] La cirugía endoscópica endonasal transesfenoidal es una técnica mínimamente invasiva utilizada en la actualidad para tratar tumores hipofisarios. A pesar de sus ventajas, la tecnología actual requiere la participación de dos cirujanos que han de trabajar con un grado de precisión muy alto en una zona de tamaño muy reducido y extremadamente delicada. La automatización de ciertos procedimientos durante la intervención, como podría ser el manejo del endoscopio por parte de un asistente robótico, podría evitar la necesidad de un segundo cirujano. Para lograrlo, es necesario generar una trayectoria de referencia para el brazo robótico que sería el portador del endoscopio. En este artículo se propone un método para la generación de la trayectoria de forma manual con evaluación automática del riesgo de la misma mediante la detección de la ubicación de las estructuras anatómicas críticas segmentadas mediante deep learning. [Abstract] Transsphenoidal endoscopic endonasal surgery is a minimally invasive procedure currently used to remove pituitary tumours. Despite its benefits, current technology requires the participation of two surgeons who have to perform this operation with a very high degree of precision in a very tight and extremely delicate area. The automation of certain procedures during the intervention, such as the handling of the endoscope by a robotic assistant, could obviate the current need for a second surgeon, who performs this task. To achieve this, it is necessary to generate a reference trajectory for the robotic arm that would be the carrier of the endoscope. This paper proposes a method for generating the path manually with automatic risk verification of the trajectory by detecting the location of segmented critical anatomical structures using deep learning
Keywords
Robótica quirúrgica
Cirugía endonasal
Imágenes de resonancia magnética MRI
Deep learning
Redes neuronales convolucionales
Surgical robotics
Endonasal surgery
Magnetic resonance imaging (MRI)
Deep learning
Convolutional neural networks
Cirugía endonasal
Imágenes de resonancia magnética MRI
Deep learning
Redes neuronales convolucionales
Surgical robotics
Endonasal surgery
Magnetic resonance imaging (MRI)
Deep learning
Convolutional neural networks
Editor version
Rights
Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
ISBN
978-84-9749-841-8