Impressões digitais de órgãos espectrais para aprendizado de máquina

Scientific Reports volume 12, Número do artigo: 11028 (2022) Citar este artigo

1978 Acessos

6 Citações

14 Altmétrica

Detalhes das métricas

A discriminação visual do tecido durante a cirurgia pode ser desafiadora, pois diferentes tecidos parecem semelhantes ao olho humano. A imagem hiperespectral (HSI) remove essa limitação associando cada pixel com informações espectrais de alta dimensão. Embora trabalhos anteriores tenham mostrado seu potencial geral para discriminar tecidos, a tradução clínica foi limitada devido à atual falta de robustez e generalização do método. Especificamente, a comunidade científica carece de um atlas de tecido espectral abrangente e não se sabe se a variabilidade na refletância espectral é explicada principalmente pelo tipo de tecido, e não pelo indivíduo registrado ou por condições específicas de aquisição. A contribuição deste trabalho é tripla: (1) Com base em um conjunto de dados HSI médicos anotados (9.059 imagens de 46 porcos), apresentamos um atlas de tecidos com impressões digitais espectrais de 20 diferentes órgãos suínos e tipos de tecidos. (2) Usando o princípio da análise de modelos mistos, mostramos que a maior fonte de variabilidade relacionada às imagens HSI é o órgão observado. (3) Mostramos que a diferenciação de tecidos totalmente automática baseada em HSI de 20 classes de órgãos com redes neurais profundas é possível com alta precisão (> 95%). Concluímos de nosso estudo que a discriminação automática de tecidos com base nos dados do HSI é viável e pode, portanto, auxiliar na tomada de decisões intraoperatórias e abrir caminho para sistemas de cirurgia assistida por computador com reconhecimento de contexto e robótica autônoma.

A discriminação de condições teciduais, patologias e estruturas críticas do tecido circundante saudável durante a cirurgia pode ser um desafio, devido ao fato de que diferentes tecidos do corpo parecem semelhantes ao olho humano. Enquanto a imagem intraoperatória convencional é limitada pela imitação do olho humano, a imagem hiperespectral (HSI) remove essa restrição arbitrária de registrar apenas as cores vermelho, verde e azul (RGB). O HSI funciona atribuindo a cada pixel de uma imagem digital bidimensional convencional uma terceira dimensão de informação espectral. A informação espectral contém a intensidade de reflectância específica do comprimento de onda de cada pixel. Isso resulta em um cubo de dados tridimensional com duas dimensões espaciais (x, y) e uma terceira dimensão espectral (λ). O HSI encontrou aplicação em diversos campos, como geologia e estudos marítimos, agricultura, indústria alimentícia, triagem automatizada de resíduos1,2 e foi recentemente usado durante uma missão espacial da NASA em Marte.

Nos últimos anos, houve grandes esforços para implementar a tecnologia HSI na área da saúde. Exemplos de potenciais aplicações clínicas futuras incluem a avaliação quantitativa da oxigenação tecidual e perfusão sanguínea3,4, inflamação e sepse5, edema6 ou malignidade7, bem como tomada de decisão assistida por computador e identificação automatizada de órgãos8. Estes têm potencial para apoiar desenvolvimentos futuros, como sistemas de assistência cognitiva intraoperatória ou mesmo automatização de cirurgia robótica. Apesar da pesquisa promissora, a tradução clínica da diferenciação automática de tecidos baseada em HSI ainda não foi alcançada. Isso pode ser atribuído a uma falta atual de robustez e generalização, que são os requisitos mais importantes para a aplicação clínica. Nesse sentido, várias questões de pesquisa permanecem em aberto. Especificamente, a variabilidade das medições de HSI pode resultar das diferenças inerentes entre vários tipos de tecido sob observação (efeito desejado), mas também da variabilidade entre indivíduos ou variabilidade nas condições de aquisição de imagem (ambas indesejadas). Não temos conhecimento de nenhum trabalho anterior que tenha investigado sistematicamente esse importante tópico e, em última análise, pretendemos fornecer uma compreensão completa dos dados de órgãos hiperespectrais, ilustrar o potencial das análises baseadas em HSI e apresentar dados de linha de base sólidos sobre os quais estudos futuros podem se basear.