Dos siluetas de rayos X produjeron un fémur 3D, pero la parte difícil fue la correspondencia

Un debate de Horizon MachineLearning ha puesto sobre la mesa un pipeline de reconstrucción 3D basado únicamente en dos siluetas de rayos X y 50 mallas de fémures de referencia. Su autor informa errores de escala milimétrica en formas seleccionadas y reservadas para la evaluación, pese a no utilizar ninguna red neuronal ni tomografías computarizadas de pacientes durante la reconstrucción.

El resultado más importante es menos halagüeño. Varios métodos habituales de correspondencia produjeron superficies mucho más rugosas que la geometría original derivada de CT. ShapeWorks fue el único método probado que superó el umbral de aceptación predefinido por el autor.

Esto desplaza el debate de las redes neuronales frente al modelado clásico. La cuestión central es la tensión entre un prior anatómico compacto y la diversidad geométrica presente en pacientes reales. Un modelo puede optimizar perfectamente sus coeficientes y aun así fallar cuando la anatomía objetivo queda fuera de su espacio de formas aprendido.

El trabajo se compartió públicamente, no se publicó como un estudio revisado por pares. Sus resultados numéricos no se han reproducido de forma independiente, y la validación con radiografías reales sigue incompleta. Aun así, el experimento revela dónde funciona este tipo de reconstrucción, dónde falla y qué evidencia la haría clínicamente relevante.

El proyecto ajusta una forma 3D a dos contornos 2D

El pipeline descrito convierte un problema inverso restringido en un pequeño problema de optimización, pero solo después de una importante preparación geométrica.

Según la publicación sobre reconstrucción a partir de dos vistas, el objetivo es un fémur distal específico del paciente. Es el extremo inferior del hueso del muslo, incluidas las superficies redondeadas que forman la articulación de la rodilla.

Las entradas propuestas son dos siluetas ortogonales. Una representa una vista posteroanterior, mientras que la otra representa una vista lateral. Cada imagen solo registra si un píxel proyectado está dentro o fuera del contorno del hueso.

Estas siluetas descartan la densidad interna, el grosor cortical y la estructura trabecular. Restringen el contorno externo desde dos direcciones, pero no determinan de forma única cada punto de la superficie oculta.

Para gestionar esa ambigüedad, el autor construyó un modelo estadístico de forma a partir de 50 mallas de fémures derivadas de CT. Un modelo estadístico de forma representa la variación anatómica mediante una superficie media y un conjunto limitado de patrones de deformación coordinados.

El modelo utiliza análisis de componentes principales, o PCA, para comprimir la variación entre puntos de superficie correspondientes. En lugar de optimizar cada vértice de forma independiente, el pipeline ajusta 10 coeficientes de forma.

Esos coeficientes desplazan el fémur medio a lo largo de los patrones de variación dominantes encontrados en la colección de referencia. Esta restricción hace que la optimización sea manejable y evita deformaciones arbitrarias y anatómicamente inverosímiles.

El pipeline también aplica un prior de Mahalanobis. Esta penalización mide cuán inusual es una combinación de coeficientes respecto a la distribución observada por el modelo. Por tanto, las deformaciones grandes o improbables se vuelven más costosas durante el ajuste.

En cada paso de optimización, el candidato 3D actual se proyecta en ambas vistas de cámara. Las siluetas proyectadas se comparan con las siluetas objetivo, y la pérdida resultante actualiza los coeficientes de forma.

El autor afirma que Adam realiza aproximadamente 1.000 iteraciones. Adam es un optimizador basado en gradientes que adapta el tamaño de actualización de cada parámetro durante la minimización repetida de la pérdida.

Ese gradiente proviene del renderizado diferenciable. El renderizador de PyTorch3D conecta las diferencias en el espacio de imagen con los vértices y parámetros que las produjeron.

La rasterización convencional toma decisiones tajantes sobre si un triángulo cubre un píxel. Esas decisiones crean discontinuidades difíciles de optimizar.

La rasterización suave sustituye los límites abruptos por probabilidades continuas alrededor de los bordes de los triángulos. Así, un contorno proyectado puede desplazarse gradualmente hacia su objetivo en lugar de recibir una señal abrupta y poco informativa.

El autor aplica annealing al parámetro sigma del renderizador durante la optimización. Sigma controla la suavidad del límite, de modo que el annealing comienza con gradientes permisivos y termina con un contorno más nítido.

Este enfoque no entrena una red neuronal para predecir anatomía. Realiza una optimización específica para el paciente frente a un modelo estadístico precomputado. Las mallas de referencia siguen aportando conocimiento previo, pero no existe un predictor aprendido de imagen a forma.

Esta distinción importa. El proyecto no elimina los datos de entrenamiento del problema. Sustituye un gran conjunto de datos de imágenes supervisadas por una colección más pequeña y cuidadosamente procesada de superficies anatómicas alineadas.

La idea subyacente también es anterior a este experimento. Investigadores ya han reconstruido fémures a partir de imágenes biplanares calibradas mediante modelos estadísticos y comparación de contornos. El elemento nuevo es una implementación accesible creada con componentes open source actuales.

La correspondencia se convirtió en la verdadera historia de Horizon MachineLearning

El problema de ingeniería decisivo no fue renderizar el fémur, sino decidir qué puntos de superficie representaban la misma anatomía en 50 huesos diferentes.

PCA presupone que cada entrada contiene variables con significados coherentes. En las imágenes, la cuadrícula de píxeles aporta esa coherencia. Las mallas anatómicas normalmente no.

El vértice 4.000 de un fémur podría estar cerca de un cóndilo. El vértice 4.000 de otro podría ocupar una característica distinta o no tener ninguna relación significativa.

Las resoluciones de las mallas pueden diferir. Las disposiciones de los triángulos pueden cambiar. El muestreo de la superficie puede concentrarse en algunas regiones y volverse escaso en otras.

Un modelo estadístico construido a partir de vértices mal emparejados no aprende una anatomía limpia. Mezcla ubicaciones no relacionadas, lo que produce modos de deformación inestables y superficies reconstruidas visiblemente rugosas.

El autor probó primero el emparejamiento por vecino más cercano con un árbol KD. Este método asigna puntos según su proximidad espacial, pero la proximidad no garantiza equivalencia anatómica.

El emparejamiento por vecino más cercano puede plegar correspondencias a través de espacios estrechos o deslizarlas a lo largo de superficies lisas. Pequeños errores locales se acumulan después en toda la cohorte.

La publicación informa de que este enfoque generó una rugosidad superficial 50,7 veces mayor que la superficie de referencia de CT. Esa cifra es un diagnóstico comunicado por el autor, no un benchmark establecido de forma independiente.

También se probó Coherent Point Drift, o CPD. CPD trata un conjunto de puntos como centroides de una mezcla probabilística y los desplaza de forma coherente hacia otro conjunto.

La rugosidad comunicada se mantuvo en 28,2 veces la referencia derivada de CT. Según se informa, Bayesian CPD alcanzó 47,5 veces, mientras que FilterReg no se completó correctamente en la configuración del autor.

Estos resultados no deben convertirse en clasificaciones universales del software de registro. Las implementaciones, la inicialización, el preprocesamiento, los hiperparámetros, la topología y la calidad de la superficie pueden afectar considerablemente a cada método.

Sí muestran que el registro por pares fue insuficiente en este flujo de trabajo concreto. Emparejar cada fémur de forma independiente con una plantilla no creó un sistema de coordenadas poblacional adecuado para PCA.

ShapeWorks cambió ese resultado. Su flujo de trabajo de correspondencia de partículas optimiza puntos de referencia en toda la colección de formas, en lugar de aceptar la proximidad local como correspondencia.

El software equilibra dos objetivos. Las partículas deben representar con precisión cada superficie individual, y su distribución en la población debe crear un modelo estadístico compacto.

La publicación informa de una rugosidad superficial 3,3 veces la referencia de CT tras usar ShapeWorks. Fue el único resultado probado por debajo del umbral de aceptación de cinco veces establecido por el autor.

Ese umbral de aceptación también merece escrutinio. La publicación indica que se seleccionó antes de las pruebas, lo que reduce una forma de selección retrospectiva del umbral. Sin embargo, no se atribuye ningún significado clínico a una proporción de rugosidad de cinco veces.

La rugosidad de la superficie no equivale a la precisión de la reconstrucción. Un fémur liso puede tener dimensiones incorrectas, y una superficie precisa puede conservar pequeños artefactos de segmentación.

Una evaluación completa necesita tanto mediciones de calidad del modelo como mediciones a nivel de paciente. La compacidad, la generalización y la especificidad describen el modelo estadístico. La distancia superficial y los puntos anatómicos de referencia describen el resultado ajustado.

También importan las medidas posteriores. La geometría de la rodilla afecta a la planificación de implantes, al análisis de alineación y a la simulación biomecánica. Los errores alrededor de un punto anatómico clínicamente importante pueden importar más que errores iguales a lo largo de la diáfisis.

No obstante, el resultado sobre correspondencia ofrece la lección general más sólida. Un optimizador sofisticado no puede rescatar un espacio de formas mal construido.

Mejores funciones de pérdida podrían mejorar la coincidencia de las siluetas. Más iteraciones podrían reducir el objetivo. Ninguno de esos cambios puede reparar variables anatómicas que nunca significaron lo mismo en las mallas de referencia.

Un prior de forma pequeño desafía la reconstrucción hambrienta de datos

El proyecto pone a prueba los pipelines de reconstrucción neuronal al mostrar que fuertes restricciones anatómicas pueden reducir la cantidad de datos y supervisión necesarios.

Los equipos de imagen médica suelen recurrir a un modelo neuronal al mapear imágenes a geometría. Esa vía puede aprender relaciones complejas, pero necesita pares de entrenamiento adecuados y una cuidadosa validación externa.

Los datos emparejados son particularmente difíciles en este caso. Un conjunto de datos útil incluiría radiografías calibradas, segmentación de alta calidad y geometría correspondiente derivada de CT de los mismos pacientes.

El acceso, el consentimiento, las diferencias de protocolo y el esfuerzo de anotación complican la recopilación. Las poblaciones clínicas también varían según la edad, el sexo, la enfermedad, los implantes y el hardware de adquisición.

Un modelo estadístico adopta una postura diferente. Los fémures humanos varían, pero no ocupan todo el universo de mallas posibles. Un prior compacto puede codificar directamente relaciones anatómicas recurrentes.

Las formas de referencia del proyecto procedían, según se informa, de MedShapeNet. El conjunto de datos más amplio de formas médicas se presentó con más de 100.000 formas anotadas en 23 conjuntos de datos de componentes.

Ese total no debe confundirse con la cohorte de fémures del proyecto. El autor de Reddit afirma que solo 50 mallas de fémures derivadas de CT entraron en este modelo.

Con 10 coeficientes, el proceso de ajuste busca en un subespacio estrecho en lugar de predecir millones de coordenadas sin restricciones. Eso hace que el sistema sea más interpretable que muchos modelos de extremo a extremo.

Un coeficiente puede vincularse a un modo del modelo, visualizarse, acotarse y compararse con su distribución de entrenamiento. El término de Mahalanobis también revela hasta qué punto un candidato se aparta de la población de referencia.

Esta transparencia no hace que el resultado sea intrínsecamente más seguro. Hace que algunos mecanismos de fallo sean más fáciles de inspeccionar.

La limitación central del modelo es explícita: solo puede generar anatomía representada por su media y los modos retenidos. No puede inventar una deformación que la base de formas excluyó.

Un modelo neuronal también tiene dificultades fuera de su distribución de entrenamiento. Sin embargo, su representación puede ocultar ese fallo tras una salida de aspecto plausible y una predicción segura.

El enfoque estadístico hace más visible ese límite. Un coeficiente que alcanza su rango permitido es una advertencia directa de que el modelo carece de cobertura.

Esa propiedad podría respaldar un sistema de rechazo útil. En lugar de devolver una malla tranquilizadora en todos los casos, el software podría identificar a los pacientes que requieren una TC o revisión manual.

Sin embargo, la ventaja de trabajar con pocos datos depende de un costoso trabajo previo. Las 50 superficies requirieron segmentación, limpieza, alineación, optimización de correspondencias y control de calidad.

Por tanto, el proyecto sustituye una carga de datos por otra. Evita una colección masiva de imágenes etiquetadas, pero exige una cohorte anatómica geométricamente coherente.

Esta vía también difiere de reconstruir un objeto genérico a partir de fotografías comunes. Las siluetas de rayos X son proyecciones de la anatomía bajo una geometría de imagen calibrada, no imágenes en color con pistas de textura e iluminación.

Dos vistas restringen mejor la escala y el contorno que una sola, especialmente cuando las cámaras son ortogonales. Aun así, dejan ambiguas las depresiones no visibles y las variaciones de profundidad.

El modelo completa esas lagunas con estadísticas poblacionales. Ese es el mecanismo detrás tanto de su eficiencia como de su riesgo.

Un sistema neuronal más grande podría incorporar una anatomía más diversa, ruido de imagen y comportamientos de segmentación. El modelo compacto ofrece restricciones más claras, menores requisitos de datos y un ámbito operativo más limitado.

Ninguna de las dos vías gana en abstracto. La pregunta relevante es si un sistema reconoce cuándo un paciente queda fuera de ese ámbito.

Los Resultados Milimétricos Ocultan un Fallo de Cobertura

Los errores prometedores se aplican a objetivos sintéticos dentro del rango, mientras que las anatomías extremas revelaron fallos en el modelo y en su alineación inicial.

El autor informa pruebas de validación cruzada dejando uno fuera sobre cinco fémures reservados. En cada prueba, se excluye un objetivo mientras se construye un modelo a partir de las 49 mallas restantes.

Para los objetivos dentro del rango representado por el modelo, los errores reportados oscilan entre 0,86 y 1,43 milímetros. La publicación pública no proporciona un protocolo completo, errores por región, intervalos de confianza ni artefactos de evaluación descargables.

Esos valores son técnicamente plausibles dentro del campo. Un estudio previo sobre el fémur distal informó una precisión de registro rígido submilimétrica antes de evaluar la reconstrucción de forma a partir de imágenes biplanares calibradas.

Otras investigaciones han informado errores medios de aproximadamente escala milimétrica para la reconstrucción de extremidades inferiores en condiciones biplanares controladas. Las comparaciones siguen siendo imperfectas porque difieren los conjuntos de datos, las métricas, la calibración y la anatomía objetivo.

Los dos casos extremos del proyecto actual son más reveladores que sus mejores cifras. La publicación indica que ambos objetivos quedaban fuera de la cobertura del modelo de 49 formas a lo largo de su primer modo de PCA.

Una vez que el objetivo superó ese rango admitido, el optimizador no disponía de ningún coeficiente válido capaz de reproducirlo. Las iteraciones adicionales no podían crear una dirección anatómica inexistente.

No se trata simplemente de un fallo del optimizador. Es un fallo de representación.

El autor también informa una deficiente alineación ICP puente para esos casos, con una fracción de valores internos de 0,6. ICP, o punto más cercano iterativo, estima la alineación emparejando repetidamente geometrías cercanas y actualizando una transformación.

La publicación afirma que este error de inicialización contribuyó más que el ajuste de forma a las reconstrucciones fallidas. Esto crea dos límites que interactúan.

En primer lugar, el objetivo debe colocarse lo bastante cerca del modelo para que la optimización de la silueta converja correctamente. En segundo lugar, el modelo debe contener suficiente variación anatómica para representar el objetivo.

Una canalización puede fallar cualquiera de las dos pruebas. También puede superar la pérdida de imagen y, aun así, devolver una geometría oculta incorrecta.

Dos siluetas generan muchas proyecciones equivalentes o casi equivalentes. Un fémur puede coincidir con ambos contornos y, sin embargo, diferir en regiones que ninguna vista restringe con fuerza.

El prior de Mahalanobis selecciona una solución plausible entre esas posibilidades. Sin embargo, la plausibilidad refleja las 49 formas de entrenamiento, no una población universal de pacientes.

Esta distinción cobra importancia para deformidades, traumatismos, anatomía pediátrica, cirugías previas, tumores y morfologías inusuales. Estos casos pueden ser precisamente aquellos en los que la geometría específica del paciente más importa.

Un modelo entrenado con anatomía adulta relativamente típica podría rendir mejor allí donde la reconstrucción es menos necesaria desde el punto de vista clínico. Podría rechazar o suavizar precisamente los casos que requieren una evaluación tridimensional.

El pequeño conjunto de validación no puede establecer el rendimiento por subgrupos. Cinco superficies reservadas son útiles para depurar, pero no pueden respaldar afirmaciones sobre fiabilidad clínica.

Las pruebas dejando uno fuera también reutilizan casi toda la cohorte para cada evaluación. Por ello, los resultados entre pliegues están correlacionados, y la población de prueba sigue estando próxima al conjunto de datos de desarrollo.

La validación externa independiente proporcionaría una prueba más exigente. Debería usar fémures de otra institución, escáner, proceso de segmentación y población de pacientes.

La literatura publicada ya aborda esta área con cautela. Una revisión sobre la forma de la cadera concluyó que los modelos estadísticos pueden conectar radiografías con anatomía 3D, al tiempo que identificó lagunas de validación y población.

Por tanto, la interpretación correcta de 0,86 a 1,43 milímetros es limitada. Es un resultado de prueba de concepto comunicado para mallas seleccionadas y respaldadas por el modelo, bajo condiciones simuladas.

No es evidencia de que dos radiografías clínicas convencionales puedan sustituir una TC. No es evidencia para uso diagnóstico, planificación quirúrgica ni selección de implantes.

La Calibración del Renderizador Puede Superar al Modelo de Forma

Según se informa, un único parámetro de renderizado sensible a la escala modificó la precisión en un factor de 87, lo que revela lo frágil que puede volverse la optimización en el espacio de imagen.

La rasterización suave necesita un ancho de transición alrededor de los límites proyectados de los triángulos. Si ese ancho es demasiado grande, la silueta se vuelve borrosa y su pérdida no puede localizar con precisión el contorno real.

Si el ancho es demasiado pequeño al principio, los gradientes desaparecen lejos del límite actual. El optimizador recibe entonces poca orientación cuando la proyección inicial no coincide con el objetivo.

El recocido de sigma aborda este conflicto. Un límite amplio al principio atrae la forma candidata, mientras que un límite final estrecho permite un ajuste preciso.

El autor informa que el punto final del recocido tuvo que coincidir con el sigma utilizado para generar el renderizado de referencia. Según se informa, una constante ajustada para un modelo de forma causó una degradación de precisión de 87 veces en otro.

De nuevo, se trata de una afirmación de la descripción pública del proyecto. La publicación no proporciona suficientes artefactos para verificar la proporción o aislar todas las variables que contribuyen.

La corrección propuesta vinculó el punto final a la extensión de la cámara multiplicada por 0,0001. La extensión de la cámara describe la escala de la escena renderizada bajo el sistema de coordenadas elegido.

Esta normalización tiene sentido conceptual. Un valor de suavidad expresado en unidades absolutas del modelo se comportará de manera distinta cuando otro conjunto de datos utilice una escala diferente.

La lección va más allá de sigma. La calibración de la cámara, las unidades de la malla, la resolución de imagen, el tipo de proyección, los planos de recorte y las convenciones de coordenadas pueden influir en la geometría reconstruida.

Un método que funciona tras un ajuste específico del conjunto de datos podría fallar al exportarse a otro hospital. Los distintos sistemas pueden codificar distancias en milímetros, metros, coordenadas normalizadas o unidades relativas a píxeles.

Los experimentos sintéticos pueden ocultar estos desajustes porque el mismo renderizador crea el objetivo y evalúa la reconstrucción. El modelo directo está perfectamente ajustado a sí mismo.

Las radiografías reales rompen esa simetría. Incluyen aumento, dispersión, anatomía superpuesta, ruido, distorsión, campos de visión incompletos y errores en los metadatos de adquisición.

Sus contornos también son menos limpios que las siluetas sintéticas binarias. El fémur distal puede superponerse con la tibia, la rótula, el tejido blando, implantes o dispositivos de posicionamiento.

El proyecto asume actualmente que el contorno óseo ya está disponible. El autor identifica la segmentación automática como trabajo pendiente.

Esa etapa ausente es sustancial. Un error de contorno se convierte en una instrucción geométrica para el optimizador, que deformará el fémur para explicar los píxeles equivocados.

Por tanto, la incertidumbre de segmentación debería incorporarse al modelo de reconstrucción. El sistema podría ponderar menos los límites ambiguos o propagar la incertidumbre del contorno a la confianza final de su superficie.

Probar solo siluetas perfectas no puede revelar ese comportamiento. Las perturbaciones controladas ayudarían a medir la sensibilidad a bordes ausentes, contornos desplazados y errores de calibración.

Una tercera vista podría añadir restricciones porque la pérdida puede sumar errores en proyecciones adicionales. También aumentaría la complejidad de adquisición y se alejaría de la premisa de dos vistas del proyecto.

La información de densidad podría ofrecer más evidencia que un contorno binario, pero requeriría un modelo más realista de formación de imagen. También introduciría supuestos sobre exposición, material y atenuación.

La formulación simple basada en siluetas es atractiva porque evita esas variables. Su debilidad es que descarta información antes de que comience la optimización.

El siguiente paso correcto no es simplemente reducir el error sintético de superficie. Es comprobar si toda la canalización sigue siendo estable una vez que errores realistas de adquisición entran en el ciclo.

Tres Pruebas Decidirán si el Enfoque es Transferible

El proyecto ahora necesita validación clínica emparejada, una cobertura anatómica más amplia y detección explícita de fallos antes de que su precisión reportada tenga significado práctico.

La primera señal es el rendimiento con datos reales emparejados de radiografías y TC. Cada paciente proporcionaría dos radiografías calibradas para la reconstrucción y una superficie derivada de TC para una comparación independiente.

Esa prueba debería mantener la geometría de TC fuera del proceso de ajuste. También debería separar el error de segmentación, el error de calibración de la cámara, el error de registro y el error del modelo de forma.

Las distancias de superficie por región serían más informativas que una sola media global. Los errores cerca de los cóndilos, la escotadura intercondílea y los puntos de referencia quirúrgicos merecen comunicarse por separado.

La evaluación debería incluir mediciones anatómicas relevantes para el uso propuesto. Una distancia media pequeña no garantiza ejes, anchuras, ángulos o regiones de contacto de implantes precisos.

El éxito en casos emparejados reforzaría la afirmación de que el ajuste de siluetas sintéticas se transfiere a imágenes clínicas. Una caída importante mostraría que el renderizador actual resuelve un problema más limpio que el que presenta la radiografía.

La segunda señal es la validación externa en una cohorte más amplia. Cincuenta mallas de referencia pueden establecer la viabilidad, pero ofrecen una cobertura limitada de la variación demográfica y patológica.

Un estudio más grande debería revelar la composición de la cohorte, los criterios de exclusión, la patología, la lateralidad y los procedimientos de segmentación. También debería reservar un conjunto de prueba completamente independiente.

Los casos más valiosos se situarán cerca o más allá del límite del modelo. Probar únicamente anatomía típica ocultaría la limitación exacta ya observada en los dos ejemplos extremos.

Los investigadores deberían informar cómo cambia la precisión a medida que se incorporan más formas de referencia y modos de PCA al modelo. Más modos pueden mejorar la cobertura, pero también pueden debilitar la regularización e introducir deformaciones inestables.

Este experimento revelaría si el actual modelo de 10 coeficientes capta una base anatómica duradera o simplemente ajusta con eficiencia una pequeña colección.

La tercera señal es un mecanismo automático de rechazo. El sistema debería identificar entradas poco fiables antes de que alguien utilice la malla resultante.

Las posibles advertencias incluyen coeficientes cercanos a los límites del modelo, una distancia de Mahalanobis alta, una mala concordancia de silueta, una fracción baja de valores internos de ICP o discrepancias entre inicializaciones repetidas.

Una puntuación de confianza útil debe correlacionarse con el error 3D real en pacientes no vistos. No puede depender solo de la pérdida de optimización porque las superficies ocultas pueden seguir siendo incorrectas pese a que los contornos coincidan.

Las pruebas prospectivas deben especificar los umbrales de rechazo antes de examinar los resultados finales. Eso evita que se seleccionen umbrales favorables después de que los fallos se hagan visibles.

Si estas tres señales llegan juntas, el proyecto se convertiría en algo más que una interesante demostración geométrica. Ofrecería una vía comprobable hacia la reconstrucción selectiva y específica para cada paciente sin recurrir habitualmente a la CT.

Si la precisión con imágenes reales se desploma, las cohortes más amplias siguen sin respaldo o los fallos no pueden detectarse, la conclusión más acotada seguirá siendo relevante. El renderizado diferenciable puede ajustar siluetas, pero no puede aportar evidencia anatómica que el modelo de forma nunca incluyó.

Para los desarrolladores que siguen el hilo de Horizon MachineLearning, el desafío inmediato es la reproducibilidad. El campo necesita código, particiones de datos fijas, parámetros de cámara, ajustes de correspondencia y distribuciones completas de errores.

Para los equipos médicos, la pregunta es más exigente: ¿puede el método reconocer al paciente que no debería reconstruir? Esa respuesta importa más que su mejor resultado en milímetros.