Multiobjective Trajectory Tracking of a Flexible Tool During Robotic Percutaneous Nephrolithotomy
Notice bibliographique
Résumé
Percutaneous Nephrolithotomy (PCNL) is the leading intervention for removing large or irregularly shaped kidney stones. It involves gaining access to the kidney through a small incision in the patient's back, through which a nephroscope is steered towards the stones. Despite decades of clinical prevalence, PCNL remains a complex procedure to learn and perform, sometimes requiring several attempts to gain kidney access, leading to a variety of complications. This letter proposes to use robotic assistance to steer a flexible nephroscope during PCNL to concurrently improve accuracy and reduce the risk of tissue damage. The nephroscope is modelled as a cantilever beam fixed to the robot's end-effector. Under the assumption that an optimal tooltip path exists, Non-dominated Sorting Genetic Algorithm-II is implemented to determine the end-effector position and orientation so that the tooltip follows the path while minimizing four objective functions, i.e., tissue compression, variations in the tool's strain energy, changes in end-effector position, and tooltip error. Data collected through experiments performed on ex-vivo porcine tissue show that the path tracking error was on average 2.03 mm. The results confirm the accuracy of the model in 2 dimensions and suggest that the multiobjective optimizer returned adequate solutions that minimized 4 different cost functions, altogether allowing the robot to effectively follow the predefined path.
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 ».