Pruebas robotizadas de las posiciones de la cámara para determinar la configuración ideal para la visualización estéreo en 3D de la cirugía a corazón abierto
12 de agosto de 2021
La percepción de profundidad humana de los videos estéreo 3D depende de la separación de la cámara, el punto de convergencia, la distancia y la familiaridad del objeto. Este artículo presenta un método robotizado para la recopilación rápida y confiable de datos de prueba durante la cirugía a corazón abierto en vivo para determinar la configuración ideal de la cámara.
Permite la captura de videos 3D de alta calidad para capacitación y educación. Se puede aplicar a la mayoría de los entornos de quirófano con cirugía abierta. Con un enfoque robotizado, podemos recopilar los datos de forma rápida y precisa para evaluar las posiciones de la cámara.
Este método se utiliza para probar rápidamente la configuración de la cámara para aplicaciones de visiones 3D. También se puede utilizar para investigar cómo los diferentes sujetos perciben la profundidad. Para comenzar a montar la cámara en el robot, primero, monte la lente en la cámara y luego la cámara en la placa adaptadora con tres tornillos M2.
A continuación, monte la placa de montaje circular en la placa adaptadora de la cámara con cuatro tornillos M4 en el lado opuesto de la cámara. Una vez que todas las cámaras estén montadas en el robot, observe el reflejo de los ensamblajes resultantes. Monte la placa adaptadora en la muñeca del robot con cuatro tornillos M2.5.
Para un robot montado en la mesa, conecte la cámara izquierda al brazo robótico derecho. Conecte los cables USB a las cámaras y a la computadora Ubuntu. En la pantalla táctil del robot, pulse el botón Menú y seleccione Stereo 2 para iniciar la aplicación del robot.
En la pantalla principal, presione Ir para comenzar durante 1, 100 milímetros en la aplicación del robot y espere a que el robot se mueva a la posición de inicio. Retire la tapa protectora de la lente de las cámaras. Coloque una rejilla de calibración impresa a 1, 100 milímetros de los sensores de la cámara.
Para identificar correctamente los cuadrados correspondientes, coloque una pequeña tuerca de tornillo o una marca en algún lugar de la cuadrícula. Inicie la aplicación de grabación en la computadora Ubuntu para iniciar la interfaz. Y luego, ajuste la apertura y enfoque en la lente con los anillos de apertura y enfoque.
En la aplicación de grabación, marque Crosshair para visualizar el punto de mira. En la aplicación de grabación, asegúrese de que el punto de mira se alinee con la rejilla de calibración en la misma posición en ambas imágenes de la cámara. Después de presionar el ícono de engranaje en la aplicación del robot, coloque las cámaras en relación con el paciente.
Cambie la dirección X presionando el más o el menos para la distancia de la mano desde el robot, y la dirección Z presionando el más o el menos para Altura para capturar el campo quirúrgico en las imágenes. Cambie la dirección Y moviendo manualmente el robot o el paciente. Después de pausar la cirugía e informar al personal de quirófano sobre el inicio del experimento, presione Grabar en la aplicación de grabación y, a continuación, presione Ejecutar experimento en la aplicación del robot.
Después de un tiempo, cuando finalice el experimento, Listo aparecerá en la pantalla táctil. Luego, presione Detener grabación en la aplicación de grabación para detener la grabación. Informe al personal de quirófano que el experimento ha terminado y reanude la cirugía.
Para la evaluación, muestre el video en formato 3D superior e inferior con un proyector 3D activo. Se muestra el video de evaluación correcto con una imagen correcta colocada en la parte superior en 3D estereoscópico superior-inferior. Una secuencia exitosa debe ser nítida, enfocada y sin marcos de imagen no sincronizados.
Las secuencias de vídeo no sincronizadas crean desenfoque. El punto de convergencia debe estar centrado horizontalmente, independientemente de la separación de la cámara. Con una separación muy grande entre las imágenes derecha e izquierda, el cerebro no puede fusionar las imágenes en una imagen 3D.
Varias razones pueden causar insuficiencia en la posición central del corazón, como la distancia desde el punto de convergencia hasta el corazón. Para una configuración correcta del sistema de coordenadas de la herramienta de la cámara, asegúrese de que la mira en la aplicación de grabación apunte al mismo objeto, el objeto de calibración esté en la posición central y el formato correcto de debayering de colores. Los videos 3D con distancias de referencia cambiantes nos permiten estudiar cómo la información de profundidad afecta la comprensión anatómica entre el personal médico.
Vea la transcripción completa y acceda a miles de videos científicos
Visión general
Este estudio presenta un método robotizado para recopilar datos de prueba durante cirugías a corazón abierto en vivo, enfocándose en la configuración de cámara ideal para videos 3D estereoscópicos. El método tiene como objetivo mejorar la evaluación de la percepción de profundidad en entornos quirúrgicos.
Componentes clave del estudio
Área de la ciencia
- Neurociencia
- Ingeniería biomédica
- Técnicas quirúrgicas
Fundamentos
- La percepción de profundidad en videos 3D está influenciada por varios factores.
- La configuración de la cámara juega un papel crítico en la claridad visual.
- Entender la percepción de profundidad puede mejorar la formación quirúrgica.
- Los enfoques robotizados pueden agilizar la recopilación de datos en quirófanos.
Propósito del estudio
- Evaluar las posiciones de cámara ideales para aplicaciones de visión 3D.
- Investigar cómo diferentes sujetos perciben la profundidad en contextos quirúrgicos.
- Mejorar la calidad de la formación y educación a través de la captura de videos 3D de alta calidad.
Métodos utilizados
- Montaje de cámara robotizado para recopilación rápida de datos.
- Evaluación de la separación de la cámara y el punto de convergencia.
- Pruebas en varios entornos de quirófano.
- Recopilación de datos durante cirugías a corazón abierto en vivo.
Principales resultados
- Los videos 3D de alta calidad pueden capturarse de manera efectiva.
- Las configuraciones de cámara afectan significativamente la percepción de profundidad.
- Los métodos de prueba rápidos producen datos confiables para el análisis.
- La familiaridad con los objetos influye en los resultados de percepción de profundidad.
Conclusiones
- El método robotizado es efectivo para probar la configuración de cámaras.
- Entender la percepción de profundidad puede mejorar la formación quirúrgica.
- Las aplicaciones futuras pueden extenderse a varios procedimientos quirúrgicos.
Preguntas frecuentes
Executive Industry Relevance
This method enables rapid, repeatable evaluation of camera configurations for 3D surgical visualization, supporting improved depth perception in medical training. By minimizing OR interference and standardizing data collection, it enhances the reliability of stereoscopic video for surgical education and device evaluation. The approach addresses a key challenge in translating 3D imaging benefits into consistent, scalable training tools.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables objective assessment of visual fidelity in 3D surgical models, supporting hypothesis testing around spatial anatomy comprehension.
- Operational Value: Provides standardized, robotized data capture to reduce variability in visual model evaluation across studies.
Screening & Assay Development
- Scientific Value: Generates quantitative video datasets at defined baseline and convergence distances for comparative analysis of 3D rendering quality.
- Operational Value: Supports assay-like screening of camera setups using repeatable positional steps and controlled convergence points.
Translational & Preclinical Research
- Scientific Value: Facilitates evaluation of 3D video realism in open-heart surgery models, aiding translational assessment of training tool effectiveness.
- Operational Value: Enables cross-functional teams to benchmark visual systems using standardized video outputs from controlled camera configurations.
Pipeline & Workflow Integration
This method fits within early discovery workflows where visual model fidelity impacts biological interpretation, particularly in procedure-based training and device-tissue interaction studies.
- Discovery Biology: Supports hypothesis testing regarding depth perception and spatial understanding in surgical training models.
- Screening: Enables rapid, reproducible evaluation of camera parameters to identify optimal configurations for 3D video capture.
- Analytics: Produces time-synchronized video samples at incremental baseline distances for quantitative comparison of stereoscopic quality.
- Translational Research: Connects camera configuration testing to the realism of surgical video used in preclinical training and device evaluation.
- Enterprise Reuse: Establishes a reusable robotic platform for standardized visual system validation across multiple surgical models and training scenarios.
Operational & Enterprise Impact
- Scientific Value: Improves predictive confidence in 3D training tools by enabling objective, repeatable assessment of visual fidelity.
- Operational Value: Standardizes camera positioning and data capture, reducing setup time and inter-operator variability in OR environments.
- Strategic Value: Supports faster go/no-go decisions on 3D visualization investments by de-risking visual performance early in development.
- Portfolio Impact: Enables risk-adjusted prioritization of training technologies based on validated 3D video quality and depth perception outcomes.
Implementation Considerations
- Requires expertise in robotic systems, camera calibration, and 3D video synchronization.
- Needs dual-arm robotic arm, stereo cameras, calibration grid, and synchronized recording software.
- Demands coordination with OR staff for timed pauses during surgery to capture video samples.
- Must account for variations in surgical field anatomy and lighting across different procedures.
- Limited to open-surgery settings where robot mounting and line-of-sight are feasible.
