Caracterizar una fibra orientable sometida a curvatura

El encargo

Para llegar a la hipófisis a través de la nariz, una sonda de ultrasonido óptico tiene que curvarse hasta un radio de unos 11,8 mm. Las sondas actuales se fabrican con fibra de 400 µm, que el fabricante garantiza hasta 43 mm en uso puntual, y nadie había comprobado qué ocurre con estas fibras por debajo de ese radio. Mi tarea era averiguar qué diámetro de fibra llega al objetivo y sigue sirviendo como sonda de imagen. El proyecto está financiado con un Research Ignition Award y lo diseñé desde cero.

Qué hice

Diseñé y corté con láser un banco de ensayo —cuatro versiones— que sujeta la fibra en trece curvaturas fijas, desde recta hasta una curva de 90° con 9,5 mm de radio. Ensayé seis configuraciones de fibra: 200, 300, 400, 600 y 800 µm, más la de 400 µm sin su recubrimiento (buffer), para separar el efecto del recubrimiento del efecto del diámetro del núcleo. Cada una se accionó en todas las curvaturas a cuatro velocidades: 312 ensayos planificados y 285 grabaciones analizadas. La serie de 800 µm se detuvo antes de tiempo porque no llegaba a las curvas más cerradas. También medí cuánta luz transmite cada fibra en cada curvatura.

Para procesar las grabaciones escribí un pipeline en Python: catorce módulos y unas 3.000 líneas. Sigue dos marcadores de la fibra con OpenCV, ajusta una B-spline a lo largo de la fibra para convertir posiciones en píxeles en distancia recorrida sobre la curva y suaviza la velocidad con un filtro de Savitzky-Golay. Se configura con un fichero YAML y se maneja desde la línea de comandos, guarda su progreso en caché para que un lote pueda reanudarse tras un fallo, tiene un banco de validación aparte y salvaguardas que le impiden escribir nunca sobre los datos en bruto. El resultado es un dataset de 405.000 filas, fotograma a fotograma.

Dos problemas de los datos exigieron un cuidado especial:

• La tasa de fotogramas. Todos los nombres de fichero llevan una etiqueta «1/3/5/7 fps», pero esa es la frecuencia de accionamiento. La cámara grababa en realidad a unos 34,7 fps. Confundir una con otra altera todos los tiempos hasta 35 veces (983 s frente a 28,3 s en el mismo fichero). El pipeline comprueba la tasa de la cámara en tres sitios —OpenCV y dos campos de ffprobe—, señala en cada fichero la discrepancia con el nombre y deja registrado qué valor usó y por qué.
• La fibra sin recubrimiento. Sin buffer, la fibra es vidrio desnudo, así que el detector que localiza su contorno falló en los 52 vídeos. Como el banco y la cámara no se habían movido entre sesiones, reutilicé el contorno del vídeo equivalente con recubrimiento. Validé la solución comprobando que recuperaba la separación conocida de 15 mm entre marcadores (mediana de 15,03 mm). Con el arreglo se localizaron los 52 contornos y 41 vídeos superaron el control de calidad.

Solo doy una velocidad cuando el marcador se ha detectado en al menos el 60% de los fotogramas, y publico junto a los resultados el mapa de dónde falló el seguimiento. La calibración de píxeles a milímetros salió de 1.071 medidas agrupadas de los marcadores, con un coeficiente de variación del 1,6%.

Resultado

• Alcance. Todas las fibras salvo la de 800 µm se curvaron sin problemas hasta 9,5 mm, por debajo del objetivo de 11,8 mm. La de 800 µm no bajó de 16 mm y queda descartada.
• Luz. En la curva de 11,8 mm, la fibra de 200 µm conservó el 92% de su luz; la de 400 µm, el 82%, y la de 600 µm, el 72%.
• Movimiento. La fibra de 200 µm fue la que se movió de forma más uniforme en ambos sentidos, con diferencias de menos del 2,5% en el rango clínico, mientras que la de 600 µm se desvió hasta un 13,6%. Un movimiento irregular de la punta distorsiona la imagen reconstruida.
• Recubrimiento. Las fibras de 400 µm con y sin buffer se movieron de forma casi idéntica; la que no lo tenía transmitió algo más de luz.

La fibra de 200 µm fue la mejor en las tres medidas. Ahora estoy fabricando una sonda de 200 µm para medir su profundidad de imagen.

En una serie aparte con la fibra de 400 µm, fijé la velocidad en mm/s y medí 1.715 recorridos con un script de seguimiento en MATLAB. La serie mostró que la plataforma se mueve sistemáticamente entre un 7 y un 9% más rápido que la velocidad de consigna, así que ese valor no puede tomarse como referencia.

El trabajo continúa como mi proyecto de fin de carrera y lo presenté en el UCL Undergraduate Research Showcase 2026.