Magnetic Fringe Field Navigation of a guidewire based on Thin Plate Spline modeling
Notice bibliographique
Résumé
Fringe Field Navigation (FFN), a method first introduced by our group, aims at providing a high directional pulling force on a magnetic object such as a magnetic tip of a guidewire or other instruments. In a clinical setting, the pulling force is typically produced by the strong fringe field generated by the superconducting magnet of a clinical Magnetic Resonance Imaging (MRI) scanner. Because it is impossible or practical to move such a bulky magnet, directional changes are performed by robotically moving the patient in the magnetic fringe field outside the scanner. To do so, a homogenous transformation for each point in a set of discrete points in the magnetic field space must first be done and used to determine the position of the robotic manipulator to enable the steering of a guidewire equipped with a magnetic tip towards the desired direction. We used the Thin Plate Spline (TPS) method to model the magnetic field and to estimate the direction of the magnetic field required to navigate the guidewire along a predetermined path. We also propose guidelines for the sampling of the magnetic field to produce a more accurate TPS function. To prove the concept, we applied FFN on a small experimental prototype using a small permanent magnet and a robotic manipulator to steer a guidewire inside a phantom. The preliminary results suggest that the same approach could be scaled up for clinical applications taking advantage of the much stronger magnetic field generated by the superconducting magnet of already available MRI scanners.
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 ».