Avanzamenti nella chirurgia del cancro con la sonda SENSEI

La chirurgia per il cancro è un trattamento importante, ma per i chirurghi non è facile trovare tutto il tessuto canceroso durante l'intervento. Anche con tecniche di imaging avanzate come PET e TAC usate prima dell'operazione, i chirurghi spesso devono fare affidamento sul tatto e sulla vista perché non ci sono abbastanza strumenti affidabili per vedere cosa succede dentro il corpo durante l'intervento.

Per affrontare questo problema, è stato sviluppato uno strumento speciale chiamato sonda 'SENSEI'. Questa sonda aiuta a rilevare i tessuti cancerosi durante l'intervento usando un radiotracciante che viene iniettato prima. Tuttavia, un grosso problema è che la sonda non offre alcuna indicazione visibile di dove stia rilevando l'attività Gamma sulla superficie del tessuto, rendendo difficile per i chirurghi individuare la posizione esatta.

I metodi iniziali usati per risolvere questo problema, comprese le tecniche di segmentazione e approcci geometrici, non hanno avuto successo. Invece, si è scoperto che utilizzare caratteristiche avanzate delle immagini insieme alla posizione della sonda poteva portare a risultati migliori. È stata progettata una semplice rete di regressione per risolvere il problema, e questo metodo è stato testato dimostrando di funzionare bene. Per convalidare ulteriormente questa soluzione, sono stati creati e rilasciati due Set di dati, consentendo a ricercatori e chirurghi di migliorare il rilevamento dell'area sensibile della sonda durante l'intervento.

#Le Sfide della Chirurgia per il Cancro

Il cancro rimane un grande problema di salute a livello globale. Nel Regno Unito, qualcuno viene diagnosticato con cancro ogni due minuti. La chirurgia è spesso un'opzione di trattamento primaria, ma identificare il tessuto canceroso durante le operazioni può essere davvero difficile. Gli attuali strumenti di imaging, sebbene utili, lasciano ancora i chirurghi senza tutte le informazioni necessarie. Questo porta a situazioni in cui possono lasciare indietro some cancro o rimuovere per sbaglio tessuti sani, il che può danneggiare i pazienti e aumentare i costi.

Per migliorare la situazione, servono strumenti di visualizzazione migliori per la chirurgia minimamente invasiva. Questo tipo di intervento mira a ridurre l'impatto sul paziente pur ottenendo gli stessi risultati della chirurgia aperta. Tuttavia, la mancanza di strumenti accurati per vedere i tessuti in tempo reale complica questo obiettivo.

#La Sonda SENSEI

La recente sonda 'SENSEI', sviluppata da un'azienda medica, offre un modo per identificare con precisione il cancro durante la chirurgia. Usa agenti nucleari per aiutare a localizzare i tessuti cancerosi basandosi sui segnali gamma emessi. Ma la sfida resta: la sonda non fornisce un segno visivo sui tessuti, e questo complica il suo utilizzo. L'area sensibile, dove la sonda rileva i segnali, deve essere identificata con precisione sulla superficie del tessuto.

Geometricamente, questa area sensibile è definita come il punto di intersezione tra l'asse della sonda e il tessuto. Tuttavia, i metodi tradizionali hanno difficoltà con questo a causa della mancanza di texture chiara nei tessuti e dati di profondità. Inoltre, tenere traccia della posizione della sonda durante l'intervento è anche complicato.

#Soluzioni Innovative

Per affrontare queste sfide, i ricercatori hanno modificato una sonda SENSEI non funzionante aggiungendo un modulo Laser. Questo laser indica chiaramente l'area sensibile nelle immagini laparoscopiche illuminando la superficie del tessuto. L'intero set comprende un sistema di laparoscopia stereo per catturare le immagini, una piattaforma rotante per muovere il fantoccio, un otturatore di controllo della luce e il modulo laser.

Usando questo setup, l'obiettivo è cambiare il problema dell'identificazione dell'area sensibile da una sfida geometrica a una che si basa sull'inferenza del contenuto nelle immagini 2D. Questo approccio resta complesso poiché alla fine deve trovare il punto di intersezione senza l'aiuto del laser, simulando l'uso reale della sonda SENSEI durante l'intervento.

#Ricerca Correlata

Le immagini laparoscopiche sono importanti per la chirurgia assistita e sono state utilizzate in attività come il rilevamento di oggetti e la segmentazione delle immagini. Sono stati fatti progressi recenti nella stima della profondità, ma ottenere dati di profondità accurati per le immagini laparoscopiche è difficile, il che complica l'addestramento dei modelli.

La ricerca si è anche concentrata sulla segmentazione laparoscopica, che aiuta a identificare strumenti e strutture anatomiche. Vari approcci di deep learning hanno mostrato promesse, eppure la mancanza di informazioni di profondità accurate ostacola i progressi.

#Raccolta Dati e Nuovi Set di Dati

Un nuovo set di dati chiamato 'Jerry' è stato creato utilizzando telecamere miniaturizzate attaccate a un laparoscopio stereo. Il set include diverse immagini catturate con la sonda SENSEI modificata, sia con che senza laser. Un altro set di dati, 'Coffbee', è stato anche creato, fornendo dati di verità aggiuntivi.

Questi set di dati offrono molteplici utilizzi, inclusi il rilevamento del punto di intersezione, la stima della profondità e la segmentazione degli strumenti. Rilevare il punto di intersezione è particolarmente vitale per una visualizzazione accurata del cancro ed è spesso trascurato nel campo della visione chirurgica.

#Rilevamento del Punto di Intersezione

Rilevare il punto di intersezione è semplice quando il laser è acceso, poiché le reti di segmentazione possono identificare facilmente la posizione. Tuttavia, nelle situazioni reali, la sonda gamma non lascia un segno visibile sul tessuto. Di conseguenza, sono stati provati diversi metodi, ma spesso comportano complicazioni come preoccupazioni per la sterilizzazione degli strumenti.

Questo studio propone un approccio di regressione semplice per risolvere questo problema, basandosi solo sulle informazioni delle immagini 2D. Questo metodo funziona bene senza la guida del laser dopo essere stato addestrato e consente una mappatura dell'area sensibile in tempo reale durante l'intervento.

#Metodologia per il Rilevamento dell'Intersezione

I ricercatori hanno inizialmente utilizzato varie reti di segmentazione deep learning. Tuttavia, quando sono state utilizzate immagini senza laser, le reti non sono state in grado di fare previsioni accurate. Il punto laser fornisce informazioni chiave per identificare il punto di intersezione.

Un approccio più efficace è stato trattare il problema come un compito di regressione. Il sistema è composto da due parti principali: estrarre caratteristiche visive dall'immagine e apprendere dalla sequenza di punti principali lungo l'asse della sonda. I due tipi di dati sono stati combinati per prevedere dove la sonda interseca la superficie del tessuto.

La rete è stata addestrata usando coppie di immagini, una con il laser e l'altra senza. Il metodo include tecniche come l'Analisi delle Componenti Principali per apprendere riguardo l'asse della sonda, portando a previsioni migliori.

#Valutazione e Risultati

Per valutare l'accuratezza della posizione dell'area sensibile, sono state utilizzate metriche come la distanza euclidea per confrontare i punti previsti con le intersezioni reali trovate usando il laser. I risultati hanno mostrato che l'approccio ha funzionato bene. Sono stati testati diversi design di rete e la combinazione di un backbone ResNet con una percezione a più strati ha dato i migliori risultati.

I risultati indicano che le immagini stereo hanno performato meglio delle singole immagini grazie alle informazioni di profondità aggiuntive. Inoltre, ci sono state differenze evidenti nelle prestazioni in base al tipo di rete utilizzata. In generale, il metodo proposto ha raggiunto una buona accuratezza predittiva e un'elaborazione in tempo reale efficiente.

#Conclusione

Questo lavoro presenta un nuovo framework per l'uso di un rilevatore gamma laparoscopico durante la chirurgia minimamente invasiva per il cancro. Con l'aggiunta del modulo laser, i ricercatori sono stati in grado di guidare l'addestramento e rilevare con successo dove la sonda incontra il tessuto. I dataset rilasciati e il nuovo approccio stabiliscono un benchmark nella visione chirurgica, promettendo di migliorare i risultati nella chirurgia per il cancro.

Continui sforzi in quest'area sono cruciali per sviluppare strumenti e metodi ancora migliori per identificare il cancro durante la chirurgia. Una visualizzazione migliorata porterà a pratiche chirurgiche migliori, garantendo che tutti i tessuti cancerosi siano trattati mentre si proteggono quelli sani, migliorando alla fine la cura dei pazienti.