Comparison Study of Intraoperative Surface Acquisition Methods for Surgical Navigation
Notice bibliographique
Résumé
Soft-tissue image-guided interventions often require the digitization of organ surfaces for providing correspondence from medical images to the physical patient in the operating room. In this paper, the effect of several inexpensive surface acquisition techniques on target registration error and surface registration error (SRE) for soft tissue is investigated. A systematic approach is provided to compare image-to-physical registrations using three different methods of organ spatial digitization: 1) a tracked laser-range scanner (LRS), 2) a tracked pointer, and 3) a tracked conoscopic holography sensor (called a conoprobe). For each digitization method, surfaces of phantoms and biological tissues were acquired and registered to CT image volume counterparts. A comparison among these alignments demonstrated that registration errors were statistically smaller with the conoprobe than the tracked pointer and LRS (p<0.01). In all acquisitions, the conoprobe outperformed the LRS and tracked pointer: for example, the arithmetic means of the SRE over all data acquisitions with a porcine liver were 1.73 ± 0.77 mm, 3.25 ± 0.78 mm, and 4.44 ± 1.19 mm for the conoprobe, LRS, and tracked pointer, respectively. In a cadaveric kidney specimen, the arithmetic means of the SRE over all trials of the conoprobe and tracked pointer were 1.50 ± 0.50 mm and 3.51 ± 0.82 mm, respectively. Our results suggest that tissue displacements due to contact force and attempts to maintain contact with tissue, compromise registrations that are dependent on data acquired from a tracked surgical instrument and we provide an alternative method (tracked conoscopic holography) of digitizing surfaces for clinical usage. The tracked conoscopic holography device outperforms LRS acquisitions with respect to registration accuracy.
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 | 0,024 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».