Image-Based Motion Detection: Using the Concept of Weighted Directional Descriptors
Notice bibliographique
Résumé
The use of image guidance in medical applications is constantly growing because of its tremendous impact on the future of health care. Although image-based tissue tracking has been thoroughly explored in the academic literature for years, it has not yet matured to become widely accepted by clinicians. Undetected tissue movements in image-based clinical procedures may cause safety and efficacy difficulties. We introduce an image-based approach for detecting tissue movements during clinical procedures. Our method has been validated in more than 600 true clinical cases. The results show that our algorithm agrees with an expert analysis in 98% of the cases, showing zero events of false alarms and zero events of undetected motion. The results show that the approach provides a clinically ready motion detection algorithm. These robust results are achieved by introducing the concept of weighted directional descriptors (WDDs). The technique analyzes the directivity and confidence level of each anatomical feature and uses it to weight local inputs resulting in a robust motion vector. The robustness is further increased by a novel preprocess that screens out features that may be misleading or are repeated in the adjacent search zone. The technique meets the requirements, as defined by our clinicians, and is now integrated in true medical systems. In particular, our approach has been uniquely developed and integrated into a clinical product. ExAblate is the first Food and Drug Administration (FDA)-approved magnetic resonance (MR)-guided noninvasive surgical device using focused ultrasound therapy. It is used in commercial clinics and in leading medical academic research institutions, attesting to the success of our method and its practical clinical value.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».