La creciente tasa de procedimientos mínimamente invasivos y la creciente prevalencia de enfermedades cardiovasculares han generado una demanda de sistemas de orientación de mayor calidad para el seguimiento de catéteres. Los métodos tradicionales para el seguimiento de catéteres, como la detección basada en puntos individuales y la aplicación de técnicas de enmascaramiento, han estado limitados en su capacidad para proporcionar información precisa de la posición. En este artículo, proponemos un método novedoso basado en aprendizaje profundo para el seguimiento de catéteres y detección de pose. Nuestro método utiliza una red neuronal Yolov5 de cuadro delimitador con postprocesamiento para realizar la detección de puntos de referencia en cuatro regiones del catéter: la punta, el marcador radioopaco, la curva y el punto de entrada. Esto nos permite rastrear la posición y orientación del catéter en tiempo real, sin necesidad de técnicas adicionales de enmascaramiento o segmentación. Evaluamos nuestro método en un conjunto de datos de imágenes fluoroscópicas de dos conjuntos de datos distintos y logramos resultados de vanguardia en términos de precisión y robustez. Nuestro modelo pudo detectar las cuatro características de puntos de referencia (punta, marcador, curva y entrada) utilizadas para generar una pose para un catéter con una precisión de 0,285 +/- 0,143 mm, 0,261 +/- 0,138 mm, 0,424 +/- 0,361 mm y 0,235 +/- 0,085 mm. Creemos que nuestro método tiene el potencial de mejorar significativamente la precisión y eficiencia del seguimiento de catéteres en procedimientos médicos que utilizan orientación de fluoroscopia biplana.