Robust Deep Feature Ultrasound Image-Based Visual Servoing: Focus on Cardiac Examination
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
This article introduces a robust deep feature ultrasound image-based visual servoing (UIBVS) technique for an ultrasound robot focusing on automatic cardiac examination. To this end, a convolutional neural network named ultrasound-cardiac-feature-net (UCF-Net) is developed, which is trained in a supervised manner to process ultrasound images and generate a set of six image features referred to as deep ultrasound image features. To enhance the robustness of UCF-Net against the variables that affect the ultrasound image quality, such as interaction normal force, scan depth, dynamic range, power, and gain, several datasets with different sets of parameters are gathered for training. Deep ultrasound image features enable an eye-in-hand robot to interact with the human body through UIBVS. To implement UIBVS, a filtered integral quasi-super-twisting algorithm (FIQSTA) is synthesized as the primary controller. Interaction force control is also considered within a hybrid vision/force control framework, providing compliance with the body and increasing the safety of the interaction. The proof of the robustness and stability of FIQSTA is also investigated. Experimental results on a cardiac phantom for four main views, i.e., parasternal short axis, parasternal long axis, subcostal, and apical four chambers views, and a trajectory passing through the main views demonstrate the feasibility of the proposed method for cardiac examination and the superior performance of the main controller to other well-known methods, including proportional (P) controller, sliding mode controller, super-twisting algorithm (STA), and integral quasi-STA.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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