Evaluation of AR image tracking for AR-guided surgical applications
Notice bibliographique
Résumé
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».