El síndrome de transfusión feto-fetal (TTTS, de sus siglas en inglés) se presenta en alrededor de un 10-15% de los embarazos de gemelos que comparten la misma placenta. Normalmente, este síndrome aparece antes de las 24 semanas de gestación debido a comunicaciones vasculares anormales situadas en la superficie de la placenta.

Como resultado, la circulación sanguínea no es equilibrada entre los dos gemelos, disminuyendo drásticamente su índice de supervivencia. La coagulación fetoscópica con láser es el tratamiento más eficaz para este síndrome, y consiste en cerrar las conexiones anormales vasculares situadas en la superficie de la placenta para separar completamente las circulaciones sanguíneas de los dos gemelos, por lo tanto evitar las complicaciones relacionadas con el flujo sanguíneo desequilibrado , como son la muerte por sobrecarga cardíaca, el parto prematuro o el aborto.

Planificar el mejor punto de inserción antes de la operación requiere una buena comprensión de la anatomía del paciente

La maniobrabilidad del fetoscopio insertado a través de la pared uterina de la madre y la posibilidad de quemar todos los vasos a cerrar depende de la selección adecuada del punto de entrada del fetoscopio a la superficie de la cavidad intrauterina. Planificar el mejor punto de inserción antes de la operación requiere una buena comprensión de la anatomía del paciente, lo que se puede lograr utilizando una representación virtual del útero de la madre, basándose en imágenes de resonancia magnética..

Un trabajo recientemente publicado en edición avanzada en línea en la revista IEEE Transactions on Medical Imaging, presenta el primer método automático para detectar y segmentar la cavidad intrauterina a través de las tres vistas (axial, sagital y coronal) de la resonancia magnética mediante técnicas de inteligencia artificial y aprendizaje profundo.

Un trabajo dirigido por Miguel Ángel González Ballester, profesor de investigación ICREA del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF, con Jordina Torrents-Barrena, primera autora del estudio, Gemma Piella y Mario Ceresa, miembros de la Unidad BCN MedTech de la UPF. Eduard Gratacós y Elisenda Eixarch, miembros de Fetal I + D Fetal Medicine Research Center, BCNatal-Barcelona Center for Maternal-Fetal and Neonatal Medicine (Hospital Clínic and Hospital Sant Joan de Déu), IDIBAPS, son coautores del estudio y responsables clínicos del trabajo.

Un nuevo método fundamentado en un marco de aprendizaje profundo por refuerzo que utiliza el concepto de redes de cápsulas para delimitar la localización del útero

"La metodología presentada utiliza redes neuronales basadas en el nuevo paradigma de cápsulas para capturar con éxito la interdependencia de las anatomías presentes en la resonancia magnética, particularmente para instancias (anatomías) exclusivas o únicas (por ejemplo, cavidad intrauterina y / o placenta)", explica Torrents-Barrena, primera autora del trabajo.

"El método diseñado se fundamenta en un marco de aprendizaje profundo por refuerzo que utiliza cápsulas para delimitar la localización del útero. Posteriormente, se implementa otra arquitectura neuronal de cápsulas para segmentar (o refinar) toda la cavidad intrauterina", añade Torrents-Barrena. Esta última red codifica las características más discriminatorias y robustas en la imagen.

El método propuesto se evalúa mediante 13 medidas de rendimiento y también se compara con 15 redes neuronales que ya han sido publicadas anteriormente en la literatura. "Nuestro método de inteligencia artificial ha sido entrenado con imágenes de resonancia magnética provenientes de 71 embarazos", afirma la primera autora del estudio.

"Disponer de una representación tridimensional nos permite evaluar diferentes puntos de entrada y elegir aquel que nos permite tener la mejor visibilidad de todos los vasos placentarios con el menor movimiento" comenta la Elisenda Eixarch, coautora del estudio. "Sin duda, la aplicación de esta tecnología nos permitirá avanzar hacia una cirugía más precisa y segura", añade.

De promedio la metodología presentada obtiene un rendimiento de segmentación superior al 91% para todas las pruebas y comparativas, poniendo de manifiesto el potencial de este enfoque para ser utilizado en la práctica clínica diaria como método de planificación quirúrgica.

Trabajo de referencia:

Jordina Torrents-Barrena, Gemma Piella, Eduard Gratacós, Elisenda Eixarch, Mario Ceresa, Miguel Ángel González Ballester (2020), "Deep Q-CapsNet Reinforcement Learning Framework for Intrauterine Cavity Segmentation in TTTS Fetal Surgery Planning", edición avanzada en línea del 14 de abril, DOI: 10.1109/TMI.2020.2987981

Subscribe to Directory
Write an Article

Recent News

Exposure to Heat and Cold During Pregnan...

The research team observed changes in head circumf...

Using mobile RNAs to improve Nitrogen a...

AtCDF3 gene induced greater production of sugars a...

El diagnóstico genético neonatal mejor...

Un estudio con datos de los últimos 35 años, ind...

Highlight

Eosinófilos. ¿Qué significa tener val...

by Labo'Life

​En nuestro post hablamos sobre este interesante tipo de célula del...

Seven key genetic profiles associated wi...

by Fundació Clínic per a la Recerca Biomèdica

A study published in Nature Communications has identified different ri...

Photos Stream