Comparative evaluation of sparse and minimal data point cloud registration: A study on Tibiofemoral Bones
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An accurate bone registration is a crucial step in Computer-assisted Orthopaedic Surgery (CAOS) to estimate the relationship between a preoperative patient’s bone model and the actual position during surgery. A-mode ultrasound and motion capture system is a new promising non-invasive technique to determine the bone’s 3D pose. The main challenge with such a system is the sparsity of the measurement; it could trap the optimization, which minimizes the registration error, in the local minima. In this paper, we aim to find the registration algorithm that could provide enough surgical navigation accuracy. Several registration algorithms were compared using Monte Carlo simulations. The number of points and placement sensitivity were also investigated while keeping the practical aspect of the system. With 15 points, Unscented Kalman Filter (UKF)-based registration with 6D similarity vector showed superior to the other examined algorithms in minimizing the transformation error. In terms of balancing the accuracy and the equipment availability, the simulation showed that points needed to be dispersedly placed; 15 points were sufficient to register the femur, but 20 points were required to register the tibia. Beyond this number, the registration error hardly improved and will therefore be used to base our number of sensors on. • Ultrasound and motion capture offer non-invasive skeletal kinematics estimation. • Unscented Kalman Filter with 6D vector surpasses other registration algorithms. • Adding normal measurements improves point correspondence search effectiveness. • Except internal-external rotation, accuracy < 1 mm/degree achieved in simulation.
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.
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 | 0,000 |
| 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 découle