Comparative evaluation of sparse and minimal data point cloud registration: A study on Tibiofemoral Bones
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».