MétaCan
Menu
Retour à la cohorte
Enregistrement W4323306765 · doi:10.1117/12.2648490

Evaluation of AR image tracking for AR-guided surgical applications

2023· article· en· W4323306765 sur OpenAlexaff
Jimmy Qiu, Trinette Wright, Daniel W. Lin, Stephanie Williams, Stefan Hofer, Blake Murphy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueAugmented Reality Applications
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésStylusImaging phantomComputer visionArtificial intelligenceTracking (education)Fiducial markerComputer scienceTracking systemRANSACCalibrationMonocularImage sensorAugmented realityKalman filterOpticsImage (mathematics)MathematicsPhysics

Résumé

récupéré en direct d'OpenAlex

Augmented reality (AR) image tracking may be used in AR-guided surgical applications for real-time guidance and quantitative feedback. With AR-guided applications allowing for broader accessibility compared to specialized systems used in traditional surgical image-guidance, we evaluated the measurement errors of monocular AR image tracking against current gold standard infrared optical and electromagnetic (EM) tracking. A measurement stylus was designed and 3D printed, allowing for monocular AR image tracking using a Logitech C920 camera, infrared optical tracking with Northern Digital Inc. (NDI) Vicra, and EM tracking with NDI Aurora through corresponding sensor attachments. A measurement phantom was also designed and 3D printed, consisting of 3 measurement planes with 81 measurement points in each plane, totaling 243 measurement points across a 16 cm x 16 cm x 18 cm measurement volume. Pivot calibration was performed using random sample consensus (RANSAC) sphere fitting to calculate the offsets between sensor attachments to stylus tip across each tracking system. Measurements of the stylus tip were collected across the measurement phantom for each tracking system. Each system’s fiducial registration error was quantified using the collected tip positions through rigid registration between the tracking system and the designed phantom points from CAD. Fiducial registration errors were 1.19 mm, 0.59 mm, and 0.51 mm for monocular AR, infrared optical, and EM tracking. Monocular AR image tracking presents a cost effective and accessible solution for surgical guidance applications. Errors close to 1 mm may be suitable for scenarios such as surgical simulators in competency-based education and AR-based planning.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,023
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,145
Tête enseignante GPT0,410
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAugmented Reality ApplicationsTravaux en français237 207