The accuracy of computed tomography scans for rapid prototyping of canine skulls
Notice bibliographique
Résumé
This study's objective was to determine the accuracy of using current computed tomography (CT) scan and software techniques for rapid prototyping by quantifying the margin of error between CT models and laser scans of canine skull specimens. Twenty canine skulls of varying morphology were selected from an anatomy collection at a veterinary school. CT scans (bone and standard algorithms) were performed for each skull, and data segmented (testing two lower threshold settings of 226HU and -650HU) into 3-D CT models. Laser scans were then performed on each skull. The CT models were compared to the corresponding laser scan to determine the error generated from the different types of CT model parameters. This error was then compared between the different types of CT models to determine the most accurate parameters. The mean errors for the 226HU CT models, both bone and standard algorithms, were not significant from zero error (p = 0.1076 and p = 0.0580, respectively). The mean errors for both -650HU CT models were significant from zero error (p < 0.001). Significant differences were detected between CT models for 3 CT model comparisons: Bone (p < 0.0001); Standard (p < 0.0001); and -650HU (p < 0.0001). For 226HU CT models, a significant difference was not detected between CT models (p = 0.2268). Independent of the parameters tested, the 3-D models derived from CT imaging accurately represent the real skull dimensions, with CT models differing less than 0.42 mm from the real skull dimensions. The 226HU threshold was more accurate than the -650HU threshold. For the 226HU CT models, accuracy was not dependent on the CT algorithm. For the -650 CT models, bone was more accurate than standard algorithms. Knowing the inherent error of this procedure is important for use in 3-D printing for surgical planning and medical education.
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 ».