Análisis comparativo de estudios sobre adquisición de imagen, segmentación y diseño de modelos 3D utilizados en procedimientos prequirúrgicos: Avances, métodos y precisión clínica

Abstract

Resumen. Este Trabajo Final de Graduación presenta una revisión comparativa de estudios sobre la generación de modelos 3D prequirúrgicos a partir de datos de imagen médica, con el objetivo de evaluar métodos, avances tecnológicos y precisión clínica. Tras aplicar un protocolo PRISMA a 1 235 registros, se incluyeron 30 estudios publicados entre 2014 y 2025. Se analizaron cuatro fases clave: adquisición de imagen (TC, RM, US), segmentación (manual, semiautomática, IA), modelado e impresión (FDM, SLA, SLS, Micro-SLA, bioprinting 4D) y validación clínica (Dice, Hausdorff, errores volumétricos, validación subjetiva). Los resultados expuestos por otros autores revelan que la segmentación basada en IA (U-Net 3D, Swin-UNet) reduce el tiempo a < 1 h y alcanza Dice de 0.92–0.97, superando ampliamente a métodos manuales (4–6 h; Dice 0.80–0.88). En impresión, SLA, SLS y Micro-SLA ofrecen la mayor precisión (Dice ≥ 0.90) y mejoras clínicas —incluida una reducción de hasta 30 % en tiempo quirúrgico—, aunque a un costo de USD 500–2 000 por modelo. Por su parte, FDM resulta costo-efectivo (USD 50–300) con precisión aceptable (Dice ≈ 0.85) para entornos de recursos limitados. Se identificó una heterogeneidad en la validación clínica: cerca del 40 % de los estudios no cuantifica impactos clínicos, lo que subraya la necesidad de protocolos estandarizados. En respuesta, se propone el Protocolo EV-3D, que unifica criterios de calidad desde la adquisición DICOM hasta la validación clínica, con métricas mínimas (Dice ≥ 0.90, desviación dimensional ≤ 1 %, puntuación de utilidad ≥ 4/5) y registro sistemático de tiempos, costos y satisfacción del cirujano. Este protocolo facilita la implementación de modelos 3D seguros y eficientes, promueve la formación multidisciplinaria y sienta las bases para futuros estudios prospectivos en física médica.

Abstract. This Graduation Final Work delivers a comparative review of studies on the creation of preoperative 3D models from medical imaging data, aiming to assess methods, technological advances, and clinical accuracy. Employing a PRISMA protocol on 1 235 records, 30 studies from 2014 to 2025 were included. The analysis covered four key phases: image acquisition (CT, MRI, US), segmentation (manual, semi-automatic, AI-based), modeling and printing (FDM, SLA, SLS, Micro-SLA, 4D bioprinting), and clinical validation (Dice, Hausdorff, volumetric errors, subjective evaluation). Other author’s findings indicate that AI-based segmentation (U-Net 3D, Swin-UNet) reduces processing time to < 1 h and achieves Dice scores of 0.92–0.97, outperforming manual methods (4–6 h; Dice 0.80–0.88). Regarding printing, SLA, SLS, and Micro-SLA deliver the highest accuracy (Dice ≥ 0.90) and clinical benefits—such as up to 30 % reduction in surgical time— but incur costs of SD 500–2 000 per model. Conversely, FDM proves cost-effective (USD 50–300) with acceptable accuracy (Dice ≈ 0.85) for resource-constrained settings. A 40 % heterogeneity was noted in clinical validation, highlighting the need for standardized protocols. To address this, the EV-3D Protocol is proposed, integrating quality criteria from DICOM acquisition through clinical validation, with minimum metrics (Dice ≥ 0.90, dimensional deviation ≤ 1 %, utility score ≥ 4/5) and systematic tracking of time, cost, and surgeon satisfaction. This protocol supports the implementation of safe, efficient 3D models, promotes multidisciplinary training, and lays the groundwork for future prospective studies in medical physics.