Manifold embedding e segmentazione semantica per la guida intraoperatoria con immagini iperspettrali
L'obiettivo di questo progetto è sviluppare un framework che sfrutti l'immagini iper-spettrali per l'identificazione in tempo reale dei margini tumorali durante la chirurgia.
Gli ultimi progressi nell'imaging iper-spettrali lo hanno reso una soluzione promettente per la caratterizzazione tessutale intra-operatoria, con i vantaggi di essere non invasivo, non ionizzante e senza contatto. Lavorare con immagini iper-spettrali in vivo tuttavia, non è semplice poiché la elevata dimensionalità dei dati rende difficile il processo in tempo reale. In questo articolo, viene presentato un nuovo schema di riduzione della dimensionalità e una nuova pipeline di elaborazione per ottenere una dettagliata mappa di classificazione del tumore per la definizione dei margini intraoperatori durante la chirurgia cerebrale. Tuttavia, gli approcci esistenti alla riduzione della dimensionalità basati sull'incorporamento di varietà possono essere tempo consumanti e non garantiscono sempre un risultato coerente, ostacolando così la classificazione finale del tessuto. Il framework proposto mira a superare questi problemi attraverso un processo diviso in due passaggi: prima viene eseguita la riduzione della dimensionalità basata su un'estensione dell'approccio T-distributed stochastic neighbor e quindi viene applicata una tecnica di segmentazione semantica ai risultati incorporati utilizzando una Foresta di Texton Semantico per la classificazione del tessuto. Una dettagliata validazione in vivo del metodo proposto è stata effettuata per dimostrare il potenziale valore clinico del sistema.
Comments