Distribution of Target Registration Error for Anisotropic and Inhomogeneous Fiducial Localization Error
Notice bibliographique
Résumé
In point-based rigid-body registration, target registration error (TRE) is an important measure of the accuracy of the performed registration. The registration's accuracy depends on the fiducial localization error (FLE) which, in turn, is due to the measurement errors in the points (fiducials) used to perform the registration. FLE may have different characteristics and distributions at each point of the registering data sets, and along each orthogonal axis. Previously, the distribution of TRE was estimated based on the assumption that FLE has an independent, identical, and isotropic or anisotropic distribution for each point in the registering data sets. In this article, we present a general solution based on the Maximum Likelihood (ML) algorithm that estimates the distribution of TRE for the cases where FLE has an independent, identical or inhomogeneous, isotropic or anisotropic, distribution at each point in the registering data sets, and when an algorithm is available that is capable of calculating the optimum registration to first order. Mathematically, we show that the proposed algorithm simplifies to the one proposed by Fitzpatrick and West when FLE has an independent, identical, and isotropic distribution in the registering data sets. Furthermore, we use numerical simulations to show that the proposed algorithm accurately estimates the distribution of TRE when FLE has an independent, inhomogeneous, and anisotropic distribution in the registering data sets.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».