Neural-Network-Based Heart Motion Prediction for Ultrasound-Guided Beating-Heart Surgery
Notice bibliographique
Résumé
A neural-network-based heart motion prediction method is proposed for ultrasound-guided beating-heart surgery to compensate for time delays caused by ultrasound (US) image acquisition and processing. Such image processing is needed for tracking heart tissue in US images, which is itself a requirement for beating-heart surgery. Once the heart tissue is tracked in US images, a recurrent neural network (NN) is employed to learn how to predict the motion of the tracked heart motion in order to compensate for the delays introduced in the initial US image processing step. To verify the feasibility of predicting both simple and complex heart motions, the NN is tested with two types of heart motion data: (i) fixed heart rate and maximum amplitude, and (ii) varying heart rate and maximum amplitude. Also, the NN was tested for different prediction horizons and showed effectiveness for both small and large delays. The heart motion prediction results using NN are compared to the results using an extended Kalman filter (EKF) algorithm. Using NN, the mean absolute error and the root mean squared error between the predicted and the actually tracked heart motions are roughly 60% smaller than those achieved by using the EKF. Moreover, the NN is able to predict the heart position up to 1000 ms in advance, which significantly exceeds the typical US image acquisition/processing delays for this application (160 ms in our tests). Overall, the NN predictor shows significant advantages (higher accuracy and longer prediction horizon) compared to the EKF predictor.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».