Comparing Unscented and Extended Kalman Filter Algorithms in the Rigid-Body Point-Based Registration
Notice bibliographique
Résumé
Rigid registration is a crucial step in guidance system designed for neurosurgery, hip surgery, spine surgery and orthopaedic surgery. These systems often rely on point-based registration to determine the rigid transformation. The points used for registration (fiducial points) can be either extracted from the object being registered or created by implanting fiducial markers on the object. The localized fiducial points are generally corrupted by the noise which is called fiducial (point) localization error. In this work, we present a new point-based registration algorithm based on the Unscented Kalman Filter (UKF) algorithm and compare it with the earlier proposed registration algorithm which is based on the Extended Kalman Filter (EKF) algorithm. By means of numerical simulations, it is shown that the UKF registration algorithm more accurately estimates the registration parameters than the EKF registration algorithm. In addition, in contrast with EKF, UKF computes the variance of the estimated registration parameters with the accuracy of at least second-order Taylor series expansion. The computed variances are valuable information that can be used to determine the accuracy of the registration at any desired target positions (target registration error). We utilize the estimated variance of the registration parameters to compute the distribution of target registration error (TRE) at a desired target location. A new formula for the distribution of TRE, based on the estimated variances, is derived, and it is shown that the computed distribution more accurately follows the real distribution that is generated by the numerical simulations, than the one obtained from the EKF registration algorithm
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 ».