Localization and spatially anchoring objects of an augmented reality headset using an onboard fisheye lens
Notice bibliographique
Résumé
The development of improved Augmented Reality (AR) Head-Mounted Devices (HMDs) have led to increasing use cases for AR applications. In the case of surgery, an HMD can be used as an assistive tool to help surgeons operate. With a triplanar surgical navigation system as an industry standard, the use of an HMD can improve the surgeon’s comfort, and overall experience. An HMD can offer the surgeon a consistent flow of information in front of their eyes with medically relevant images, such as craniospinal computed tomography (CT) data that can be displayed as they operate. This paper aims to bring an HMD-based overlay framework that can be used in the operating room. With a combination of Android Studio, OpenCV, and OpenGL, an inside-out localization method with Aruco Markers is demonstrated. The framework estimates the head pose of the user and subsequently renders a patient specific CT scan that will be spatially anchored to the real world. The CT reconstruction can then be virtually superimposed onto the physical patient. The HMD’s (ODG R9) fisheye lens will also be used to enhance and enable a larger field of view for better object detection. This paper also introduces a “focus mode” that improves the localization accuracy. The framework will be evaluated in each of the 3-axes for translational and rotational movement error. It will be evaluated on the detection accuracy of different numbers of markers and at different distances. It will also be evaluated using an ultra-high definition (UHD) camera.
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 | 0,001 |
| 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 ».