MétaCan
Menu
Retour à la cohorte
Enregistrement W1453057671 · doi:10.3233/bme-151325

Experimental analysis of robot-assisted needle insertion into porcine liver

2015· article· en· W1453057671 sur OpenAlexaff
Wendong Wang, Yikai Shi, A.A. Goldenberg, Xiaoqing Yuan, Peng Zhang, Lijing He, Yingjie Zou

Notice bibliographique

RevueBio-Medical Materials and Engineering · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueSoft Robotics and Applications
Établissements canadiensUniversity of Toronto
Organismes subventionnairesFundamental Research Funds for the Central Universities
Mots-clésBevelRobotControllabilityBiomedical engineeringProcess (computing)Computer scienceMaterials scienceLiver tissueDeformation (meteorology)SimulationArtificial intelligenceMechanical engineeringEngineeringMathematicsMedicineComposite material

Résumé

récupéré en direct d'OpenAlex

How to improve placement accuracy of needle insertion into liver tissue is of paramount interest to physicians. A robot-assisted system was developed to experimentally demonstrate its advantages in needle insertion surgeries. Experiments of needle insertion into porcine liver tissue were performed with conic tip needle (diameter 8 mm) and bevel tip needle (diameter 1.5 mm) in this study. Manual operation was designed to compare the performance of the presented robot-assisted system. The real-time force curves show outstanding advantages of robot-assisted operation in improving the controllability and stability of needle insertion process by comparing manual operation. The statistics of maximum force and average force further demonstrates robot-assisted operation causes less oscillation. The difference of liver deformation created by manual operation and robot-assisted operation is very low, 1 mm for average deformation and 2 mm for maximum deformation. To conclude, the presented robot-assisted system can improve placement accuracy of needle by stably control insertion process.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,017
Tête enseignante GPT0,230
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBio-Medical Materials and EngineeringMême sujetSoft Robotics and ApplicationsTravaux en français237 207