A Parametric Analysis of Embedded Tissue Marker Properties and Their Effect on the Accuracy of Displacement Measurements
Notice bibliographique
Résumé
Datasets obtained from cadaveric experimentation are broadly used in validating finite element models of head injury. Due to the complexity of such measurements in soft tissues, experimentalists have relied on tissue-embedded radiographic or sonomicrometry tracking markers to resolve tissue motion caused by impulsive loads. Dynamic coupling of markers with the surrounding tissue has been a previous concern, yet a thorough sensitivity investigation of marker influences on tissue deformation has not been broadly discussed. Technological improvements to measurement precision have bolstered confidence in acquired data; however, precision is often conflated with accuracy; the inclusion of markers in the tissue may alter its natural response, resulting in a loss of accuracy associated with an altered displacement field. To gain an understanding of how marker properties may influence the measured response to impact, we prepared a set of nine marker designs using a Taguchi L9 array to investigate marker design choice sensitivity. Each of these designs was cast into a block of tissue simulant and subjected to repeated drop tests. Vertical displacement was measured and compared to the response of the neat material, which contained massless tracking markers. Medium density and medium stiffness markers yielded the least deviation from the neat material response. The results provide some design guidelines indicating the importance of maintaining marker matrix density ratio below 1.75 and marker stiffness below 1.0 MPa. These properties may minimize marker interference in tissue deformation. Overall, embedded marker properties must be considered when measuring the dynamic response of tissue.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».