Toward an Automatic Calibration of Dual Fluoroscopy Imaging Systems
Notice bibliographique
Résumé
High-speed dual fluoroscopy (DF) imaging provides a novel, in-vivo solution to quantify the six-degree-of-freedom skeletal kinematics of humans and animals with sub-millimetre accuracy and high temporal resolution. A rigorous geometric calibration of DF system parameters is essential to ensure precise bony rotation and translation measurements. One way to achieve the system calibration is by performing a bundle adjustment with self-calibration. A first-time bundle adjustment-based system calibration was recently achieved. The system calibration through the bundle adjustment has been shown to be robust, precise, and straightforward. Nevertheless, due to the inherent absence of colour/semantic information in DF images, a significant amount of user input is needed to prepare the image observations for the bundle adjustment. This paper introduces a semi-automated methodology to minimise the amount of user input required to process calibration images and henceforth to facilitate the calibration task. The methodology is optimized for processing images acquired over a custom-made calibration frame with radio-opaque spherical targets. Canny edge detection is used to find distinct structural components of the calibration images. Edge-linking is applied to cluster the edge pixels into unique groups. Principal components analysis is utilized to automatically detect the calibration targets from the groups and to filter out possible outliers. Ellipse fitting is utilized to achieve the spatial measurements as well as to perform quality analysis over the detected targets. Single photo resection is used together with a template matching procedure to establish the image-to-object point correspondence and to simplify target identification. The proposed methodology provided 56,254 identified-targets from 411 images that were used to run a second-time bundle adjustment-based DF system calibration. Compared to a previous fully manual procedure, the proposed methodology has significantly reduced the amount of user input needed for processing the calibration images. In addition, the bundle adjustment calibration has reported a 50% improvement in terms of image observation residuals.
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 | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».