3D-COSI ~ 3D Collection of Surgical Instruments
Notice bibliographique
Résumé
COSI - 3D STL Collection of Surgical Instruments Due to large file names, we have chosen to use https://www.7-zip.org/ which is 100% free and compatible with WinZip. If you encounter an error using WinZip, it's likely due to large file names, please use 7zip. Inside the repository, you will find an information overview "Overview.docx", a showcase video "Example video 3D instruments.mp4", STL files of 103 surgical instruments "Surgical Instruments.7z", examples of variations of the surgical instruments using Blender add-on or Python script build on the Trimesh library "Blender Part x of 8 ... 7z", or "Trimesh part x of 9 ... .7z". You will also find the used Blender Add On "MultiMesh.zip", measurements of virtual instruments and settings for the add-on (.xlsx), and the script that was used to perform these measurements inside a single folder, "Scripts, measurements and used Blender settings.7z". The proposed data collection consists of 103 3D-scanned medical instruments from the clinical routine, scanned with structured light scanners. The collection consists, for example, of instruments like retractors, forceps, and clamps. The collection is augmented by generating likewise models using 3D software, resulting in an inflated dataset for analysis. The collection can be used for general instrument detection and tracking in operating room settings or a freeform marker-less instrument registration for tool tracking in augmented reality. Furthermore, for medical simulation or training scenarios in virtual reality or mixed reality.Related article:Luijten, G., Gsaxner, C., Li, J. et al. 3D surgical instrument collection for computer vision and extended reality. Sci Data 10, 796 (2023). https://doi.org/10.1038/s41597-023-02684-0
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,013 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».