Target Tracking Errors for 5D and 6D Spatial Measurement Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, magnetic tracking systems, whose fundamental unit of measurement is a 5D transformation (three translational and two rotational degrees-of-freedom), have become much more popular. Two 5D sensors can be combined to obtain a 6D transformation similar to the ones provided by the point-based registration in optical tracking. However, estimates of the tool tip uncertainty, which we have called the target tracking error (TTE) since no registration is explicitly performed, are not available in the same manner as their optical counterpart. If the systematic bias error can be corrected and estimates of the 5D or 6D fiducial localizer error (FLE) are provided in the form of zero mean normally distributed random variables in [Formula: see text] and [Formula: see text], respectively, then the TTE can be modeled. In this paper, the required expressions that model the TTE as a function of the systematic bias, FLE and target location are derived and then validated using Monte Carlo simulations. We also show that the first order approximation is sufficient beyond the range of errors typically observed during an image-guided surgery (IGS) procedure. Applications of the models are described for a minimally invasive intracardiac surgical guidance system and needle-based therapy systems. Together with the target registration error (TRE) statistical models for point-based registration, the models presented in this article provide the basic framework for estimating the total system measurement uncertainty for an IGS system. Future work includes developing TRE models for commonly used registration methods that do not already have them.
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.
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 découle