Endovascular procedures have revolutionized vascular treatments by providing minimally invasive alternatives to conventional surgery for conditions such as aneurysms, strokes, and arterial stenosis. These interventions rely on the use of guidewires and catheters to navigate the vascular network, typically under fluoroscopic imaging, which exposes both patients and clinicians to ionizing radiation. While current robotic-assisted systems allow for remote operation, thereby reducing radiation exposure for clinicians, they do not address the risks faced by patients. Additionally, fluoroscopy provides only two-dimensional visualization of a complex three-dimensional anatomy, limiting the surgeon’s ability to precisely track the position and orientation of the instruments in real time. This project explores an alternative approach that integrates Fiber Bragg Grating (FBG) sensors with deep learning to achieve real-time, three-dimensional shape estimation of endovascular instruments. FBG sensors are an emerging technology capable of measuring strain along flexible structures, making them suitable for tracking the shape of guidewires and catheters during navigation. However, these sensors face challenges in distinguishing between bending and twisting deformations, leading to significant errors in shape reconstruction. To overcome these limitations, a neural network-based model was developed and trained to predict the full 3D shape of an FBG sensor under a variety of bending and twisting conditions. The model was trained on a dataset of fiber deformations acquired using a high-precision optical motion capture system and tested on shapes derived from a 3D-printed vascular phantom. The results demonstrated a significant reduction in shape estimation errors compared to traditional methods. Specifically, the model improved accuracy in reconstructing complex shapes and reducing tip positioning errors, which are crucial for precise catheter guidance. By enhancing the reliability of FBG-based shape sensing, this approach represents a step toward integrating autonomous robotic navigation in endovascular interventions.

Le operazioni endovascolari hanno trasformato il trattamento delle patologie vascolari, offrendo soluzioni minimamente invasive per condizioni come aneurismi, ictus e stenosi arteriose. Questi interventi si basano sull’uso di guidewire e cateteri per navigare all’interno della rete vascolare, generalmente sotto guida fluoroscopica. Tuttavia, la fluoroscopia comporta un’esposizione alle radiazioni ionizzanti sia per i pazienti che per il personale medico. Sebbene i sistemi robotici attuali consentano il controllo remoto degli strumenti, riducendo il rischio per i chirurghi, non eliminano l’esposizione del paziente. Inoltre, la fluoroscopia fornisce solo una visualizzazione bidimensionale di un’anatomia tridimensionale complessa, limitando la precisione nella localizzazione degli strumenti in tempo reale. Questo progetto propone un approccio innovativo basato sull’integrazione di sensori a reticolo di Bragg in fibra ottica (FBG) con tecniche di deep learning per stimare in tempo reale la forma tridimensionale degli strumenti endovascolari. I sensori FBG, grazie alla loro capacità di rilevare deformazioni lungo strutture flessibili, rappresentano una tecnologia promettente per il tracciamento di guidewire e cateteri. Tuttavia, distinguere tra deformazioni dovute a flessione e torsione rimane una sfida, introducendo errori nella ricostruzione della forma dello strumento. Per superare questa limitazione, è stato sviluppato un modello basato su reti neurali, addestrato per prevedere la geometria tridimensionale della fibra in condizioni di flessione e torsione variabili. L’addestramento è stato condotto su un dataset di deformazioni acquisite tramite un sistema di motion capture ottico, mentre la validazione è stata eseguita utilizzando un fantoccio vascolare stampato in 3D. I risultati hanno evidenziato una riduzione degli errori di stima rispetto ai metodi tradizionali, migliorando in particolare l’accuratezza nella ricostruzione di forme complesse e la localizzazione della punta del catetere, cruciale per la guida dello strumento. L’affidabilità della stima della forma basata su sensori FBG rappresenta un passo avanti verso l’integrazione della navigazione robotica autonoma nelle procedure endovascolari.