Physiological Organ Motion Prediction and Compensation Based on Multirate, Delayed, and Unregistered Measurements in Robot-Assisted Surgery and Therapy
Notice bibliographique
Résumé
Physiological motion makes performing a surgical or therapeutic procedure more difficult for the physician. In heart surgery, the heart is stopped as it is too difficult for the surgeon to follow the heart's beating motion and perform a surgical task. In radiation therapy, respiration causes the cancerous tissue to move, rendering the therapy less effective and possibly damaging to healthy tissue. This paper focuses on controlling a robot, which is used to perform the surgery or therapy, to compensate for the physiological motion along the surgical tool's axis such that the point of interest (POI) on the organ becomes stationary relative to the robot. The difficulty in creating such a system lies in the measurement of the POI's and robot's positions via different sensors that are unregistered, have different measurement rates, and have data acquisition and processing delays. This paper presents the Kalman-filter-based estimation of the organ motion despite the large data acquisition/processing delays and low update rates inherent in some measurements used for robot control in robot-assisted surgeries and therapies. This paper also proposes control systems that compensate for the organ motion despite the delayed, multirate, and unregistered sensor data allowing the physician to perform a therapeutic or surgical procedure with a teleoperated robot on a seemingly stationary POI.
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 ».