Resumen
System and method for obtaining a 3D thermal map by luminescence nanothermometry. The system (1) comprises: an excitation laser (3) configured to illuminate a region (6) of a specimen (2) at a wavelength included in a biological NIR window to excite luminescent nanothermometers (11) injected into the specimen (2), wherein the emission of the nanothermometers (11) overlaps with one of the H<Sub>2</Sub>O NIR absorption bands; an NIR camera (4) configured to acquire an NIR hyperspectral image (7) of the illuminated region (6) of the specimen (2), wherein each pixel (8) of the NIR hyperspectral image (7) comprises a spectrum (9) in a biological NIR window corresponding to the emission of the nanothermometers (11); and a processor (5) configured to extract, using a machine learning algorithm (12), a temperature (T) and a depth (of the spectrum (9) from each pixel (8) of a set of pixels in the NIR hyperspectral image (7), thus obtaining a 3D thermal map (10) with a single acquisition. (Machine-translation by Google Translate, not legally binding)
Reivindicaciones
1. REIVINDICACIONES 1. Un sistema para obtener un mapa térmico 3D mediante nanotermometría de luminiscencia, el sistema (1) comprende: un láser de excitación (3) configurado para iluminar una región (6) de un espécimen (2) a una longitud de onda incluida en una ventana biológica NIR para excitar nanotermómetros luminiscentes (11) inyectados en el espécimen (2), en donde la emisión de los nanotermómetros (11) se superpone con una de las bandas de absorción de H<2>O NIR; una cámara NIR (4) configurada para adquirir una imagen hiperespectral NIR (7) de la región iluminada (6) del espécimen (2), en donde cada píxel (8) de la imagen hiperespectral NIR (7) comprende un espectro (9) en una ventana biológica NIR correspondiente a la emisión de los nanotermómetros (11); y un procesador (5) configurado para extraer, utilizando un algoritmo de aprendizaje automático (12), una temperatura (T) y una profundidad (d) del espectro (9) de cada píxel (8) de un conjunto de píxeles de la imagen hiperespectral NIR (7), obteniendo así un mapa térmico 3D (10). 2. El sistema de la reivindicación 1, que comprende además un dispositivo (50; 90) que incluye uno o más espejos reflectantes NIR (52) utilizados para recoger al menos una proyección lateral (75; 95,97) de la emisión de los nanotermómetros (11) por la cámara NIR (4), en donde el procesador (5) está configurado para obtener el mapa térmico 3D (10) utilizando la al menos una proyección lateral (75; 95,97). 3. El sistema de cualquier reivindicación anterior, en donde el procesador (5) está configurado para aplicar una corrección en la intensidad de la señal a diferentes longitudes de onda de cada espectro (9) de la imagen hiperespectral NIR (7) para reducir un error causado por el retraso entre la adquisición de la intensidad de emisión a diferentes longitudes de onda por la cámara NIR (4) y la intensidad de emisión de los nanotermómetros (11) disminuyendo con el tiempo. 4. El sistema de cualquier reivindicación anterior, en donde el procesador (5) está configurado para obtener una imagen binarizada (19) a partir de la imagen hiperespectral NIR (7) en función de un valor de intensidad asignado a cada píxel (8); y aplicar la imagen binarizada (19) como una máscara para seleccionar el conjunto de píxeles (23) a analizar por el algoritmo de aprendizaje automático (12). 5. El sistema de cualquier reivindicación anterior, en donde el algoritmo de aprendizaje automático (12) incluye una red neuronal convolucional en serie con una red neuronal densa. 6. El sistema de cualquiera de las reivindicaciones anteriores, en donde el espécimen (2) es un ser humano, animal o planta, o una parte de este que contiene uno o más tejidos biológicos. 7. El sistema de cualquiera de las reivindicaciones anteriores, en donde los nanotermómetros (11) son nanopartículas de PbS, nanopartículas de InAs, nanopartículas de Ag<2>S o nanopartículas dopadas con metales de transición y postransición de lantánidos. 8. El sistema de cualquier reivindicación anterior, en donde el algoritmo de aprendizaje automático (12) se entrena con un conjunto de datos de entrenamiento que incluye espectros adquiridos para diferentes valores de temperatura (T) y profundidad (d). 9. Un método para obtener un mapa térmico 3D mediante nanotermometría de luminiscencia, el método (100) comprende: inyectar (110) nanotermómetros luminiscentes (11) en un espécimen (2), en donde la excitación y emisión de los nanotermómetros (11) caen dentro de las ventanas biológicas NIR y la emisión de los nanotermómetros (11) se superpone con una de las bandas de absorción de H<2>O NIR; iluminar (120), mediante un láser de excitación (3), una región (6) del espécimen (2) a una longitud de onda incluida en una ventana biológica NIR para excitar los nanotermómetros (11); adquirir (130), mediante una cámara NIR (4), una imagen hiperespectral NIR (7) de la región iluminada (6) del espécimen (2), en donde cada píxel (8) de la imagen hiperespectral NIR (7) comprende un espectro (9) en una ventana biológica NIR correspondiente a la emisión de los nanotermómetros (11); y extraer (140), utilizando un algoritmo de aprendizaje automático (12), una temperatura (T) y una profundidad (d) del espectro (9) de cada píxel (8) de un conjunto de píxeles de la imagen hiperespectral NIR (7), obteniendo así un mapa térmico 3D (10). 10. El método de la reivindicación 9, que además comprende: recoger, mediante la cámara NIR (4), al menos una proyección lateral (75; 95,97) de la emisión de los nanotermómetros (11) utilizando uno o más espejos reflectantes NIR (52); y obtener el mapa térmico 3D (10) utilizando al menos una proyección lateral (75; 95,97). 11. El método de cualquiera de las reivindicaciones 9 a 10, que comprende además aplicar una corrección (132) en la intensidad de la señal a diferentes longitudes de onda de cada espectro (9) de la imagen hiperespectral NIR (7) para reducir un error causado por el retraso entre la adquisición de la intensidad de emisión a diferentes longitudes de onda por la cámara NIR (4) y la intensidad de emisión de los nanotermómetros (11) disminuyendo con el tiempo. 12. El método de cualquiera de las reivindicaciones 9 a 11, que además comprende: obtener una imagen binarizada (19) a partir de la imagen hiperespectral NIR (7) en función de un valor de intensidad asignado a cada píxel (8); y aplicar la imagen binarizada (19) como una máscara para seleccionar el conjunto de píxeles (23) de la imagen hiperespectral NIR (7) a analizar por el algoritmo de aprendizaje automático (12). 13. El método de cualquiera de las reivindicaciones 9 a 12, en donde el algoritmo de aprendizaje automático (12) incluye una red neuronal convolucional en serie con una red neuronal densa. 14. El método de cualquiera de las reivindicaciones 9 a 13, en donde el espécimen (2) es un ser humano, animal o planta, o una parte de este que contiene uno o más tejidos biológicos. 15. El método de cualquiera de las reivindicaciones 9 a 14, en donde los nanotermómetros (11) son nanopartículas de PbS, nanopartículas de InAs, nanopartículas de Ag<2>S o nanopartículas dopadas con metales de transición y postransición de lantánidos. 16. El método de cualquiera de las reivindicaciones 9 a 15, en donde la superficie de los nanotermómetros (11) se modifica con restos de direccionamiento activos. 17. El método de cualquiera de las reivindicaciones 9 a 16, en donde el algoritmo de aprendizaje automático (12) se entrena con un conjunto de datos de entrenamiento que incluye espectros adquiridos para diferentes valores de temperatura (T) y profundidad (d).
