Registration of Deformed Tissue: A GNN-VAE Approach With Data Assimilation for Sim-to-Real Transfer
Notice bibliographique
Résumé
In image-guided surgery, deformation of soft tissues can cause substantial errors in targeting internal targets, since deformation can affect the translation of preoperative image-based surgical plans during surgery. Having a realistic tissue deformation simulator could enhance the accuracy of internal targets localization by giving an accurate estimation of the deformation applied to a preoperative model of the organ. A key challenge is to address the sim-to-real gap between the simulator and the actual intraoperative behavior of the tissue. The sim-to-real transfer challenge is addressed by formulating the problem as a probabilistic inference over a low-dimensional representation of deformed objects. The proposed method utilizes a generative variational autoencoder structure based on graph neural networks (GNN-VAE) to generate a probabilistic low-dimensional representation of the outputs of a physics-based simulator. To match simulation data to real data, the resultant low-dimensional distribution (i.e., prior distribution) is updated iteratively using an ensemble smoother with multiple data assimilation. The advantages of the proposed method are first, it only uses simulation data for training the GNN-VAE, and no retraining of GNN-VAE is required intraoperatively, second, it does not require estimating the mechanical properties of the tissue it is simulating, and third, is able to work with any physic-based simulator. The proposed framework was verified both in experimental and simulation studies and showed it can reduce the registration error in tissue deformation.
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 | 0,000 |
| 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 | 0,000 | 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 ».