Visualizing positional uncertainty in freehand 3D ultrasound
Notice bibliographique
Résumé
The freehand 3D ultrasound technique relies on position sensors attached to the probe to register the location of each image to a 3D space. However, the imprecision of the position sensors reduces the reliability of estimated image locations. In this paper, we propose a novel method to compute the positional uncertainty of an image plane. First, we use rigid body point-based registration to compute the error produced by each pixel of the image during the tracking. The Target Registration Error (TRE) is used to compute the covariance matrix of errors at each pixel position. This covariance matrix is then decomposed as a 3D orientation error, in the x, y and z directions. Considering a volume around the image, we introduce the Image Plane Crossing Probability (IPCP) to determine the probability that the plane passes through each voxel. The result is a point cloud probability around the image plane, where each voxel contains the crossing probability and the contribution of each direction of the error. Finally, a simple volume rendering technique is used to visualize the uncertainty of the plane position. The results are validated in two steps. The first step is a Monte Carlo simulation to validate the estimate of the TRE covariance for the tracking errors. The second step simulates TRE errors on a plane and validates the associated positional uncertainty.
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 | 0,001 | 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 | 0,001 | 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 ».