Event-Triggered 3D Needle Control Using a Reduced-Order Computationally Efficient Bicycle Model in a Constrained Optimization Framework
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
Long flexible needles used in percutaneous procedures such as biopsy and brachytherapy deflect during insertion, thus reducing needle tip placement accuracy. This paper presents a surgeon-in-the-loop system to automatically steer the needle during manual insertion and compensate for needle deflection using an event-triggered controller. A reduced-order kinematic bicycle model incorporating needle tip measurement data from ultrasound images is used to determine steering actions required to minimize needle deflection. To this end, an analytic solution to the reduced-order bicycle model, which is shown to be more computationally efficient than a discrete-step implementation of the same model, is derived and utilized for needle tip trajectory prediction. These needle tip trajectory predictions are used online to optimize the insertion depths (event-trigger points) for steering actions such that needle deflection is minimized. The use of the analytic model and the event-triggered controller also allows for limiting the number and extent of needle rotations (to reduce tissue trauma) in a constrained optimization framework. The system was tested experimentally in three different ex-vivo tissue phantoms with a surgeon-in-the-loop needle insertion device. The proposed needle steering controller was shown to keep the average needle deflection within 0.47 [Formula: see text] 0.21[Formula: see text]mm at the final insertion depth of 120[Formula: see text]mm.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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