000106792 001__ 106792
000106792 005__ 20210909132516.0
000106792 037__ $$aTAZ-TFM-2021-240
000106792 041__ $$aspa
000106792 1001_ $$aCacho Mairal, Fernando
000106792 24200 $$aAugmented reality in surgery: a semantic approach using deep learning
000106792 24500 $$aRealidad aumentada en cirugía: una aproximación semántica mediante aprendizaje profundo
000106792 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2021
000106792 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000106792 520__ $$aEn este proyecto se ha desarrollado una herramienta que combina técnicas clásicas de visión por computador para tomar medidas precisas junto con técnicas de aprendizaje profundo. Esto permite crear un sistema capaz de entender la escena que está viendo, a la vez que la posiciona en el espacio de manera precisa, permitiendo incluso tomar medidas en verdadera magnitud. La fusión de estos dos tipos de tecnología permite abrir una nueva línea de trabajo, estableciendo las bases para la extracción semántica del interior de un paciente en un entorno quirúrgico.<br />El principal reto abordado en el proyecto es la identificación de las regiones internas del paciente (el hígado en este caso) a partir de imágenes planas tomadas con cámaras monoculares estándar, como un endoscopio. El objetivo final es la estimación de la pose (posición con respecto a la cámara, compuesta de traslación y rotación) del hígado, que se utilizará para localizar partes internas no visibles, como vasos sanguíneos o tumores, sobre el órgano en realidad aumentada durante una intervención quirúrgica.<br />Para el entrenamiento de la red neuronal se ha utilizado un modelo sintético del hígado, obtenido a partir de un simulador quirúrgico desarrollado en el Grupo AMB del Instituto de Investigación en Ingeniería de Aragón (I3A). <br />La principal dificultad del proyecto radica en el entrenamiento de la red para la obtención de la pose de forma precisa. Para ello, se ha reentrenado un modelo de red neuronal con imágenes del hígado, tanto sobre fondos homogéneos como sobre fondos simulando una intervención laparoscópica, con el objetivo de realizar predicciones en condiciones lo más realistas posibles.<br />Finalmente, la información obtenida mediante la red neuronal se ha incorporado a ORB-SLAM, para la obtención de resultados en tiempo real.<br />La principal novedad introducida en este proyecto es el uso conjunto de redes neuronales con ORB-SLAM. Esto permite realizar estimaciones de pose y escalado automáticamente sin la necesidad de utilizar información adicional, de modo que la herramienta se puede utilizar directamente con cámaras de laparoscopia, sin tener que recurrir a sensores adicionales como acelerómetros o LIDAR.<br /><br />
000106792 521__ $$aMáster Universitario en Ingeniería Biomédica
000106792 540__ $$aDerechos regulados por licencia Creative Commons
000106792 700__ $$aGonzález Ibáñez, David$$edir.
000106792 700__ $$aBadías Herbera, Alberto$$edir.
000106792 7102_ $$aUniversidad de Zaragoza$$bIngeniería Mecánica$$cMec. de Medios Contínuos y Teor. de Estructuras
000106792 8560_ $$f698096@unizar.es
000106792 8564_ $$s605266$$uhttps://zaguan.unizar.es/record/106792/files/TAZ-TFM-2021-240_ANE.pdf$$yAnexos (spa)
000106792 8564_ $$s9197765$$uhttps://zaguan.unizar.es/record/106792/files/TAZ-TFM-2021-240.pdf$$yMemoria (spa)
000106792 909CO $$ooai:zaguan.unizar.es:106792$$pdriver$$ptrabajos-fin-master
000106792 950__ $$a
000106792 951__ $$adeposita:2021-09-09
000106792 980__ $$aTAZ$$bTFM$$cEINA
000106792 999__ $$a20210620133905.CREATION_DATE