Ultrasound-Based Visual Servoing for Out-of-Plane Longitudinal Needle Tracking in Robot-Aided Percutaneous Nephrolithotomy
Notice bibliographique
Résumé
Percutaneous nephrolithotomy (PCNL) is a minimally invasive procedure to remove large renal calculi through a small incision in the patient’s back. Ultrasound (US) imaging is commonly used to guide the needle to the kidney during this procedure. However, it requires an advanced level of dexterity to coordinate the US probe and the needle to keep the needle visible in the images at all times. Failure to maintain needle-probe alignment can result in inadvertent injury, bleeding, and other complications. The use of robotic assistance can alleviate the surgeon’s cognitive workload by enabling autonomous positioning of the US probe and accurate needle tracking. This paper presents a new US-guided visual servoing (VS) algorithm for needle tracking using longitudinal US images of a needle subjected to out-of-plane motion. The ultrasound probe can move in 4 degrees-of-freedom (DOF), that is, two translations and one rotation in the imaging plane, and one rotation out of the imaging plane. Unlike previously reported VS algorithms, 4-DOF tracking is achieved using only 2D-US images and without any additional position sensor or prior knowledge of the needle trajectory. The algorithm is validated extensively in three different experimental scenarios using a water tank, a tissue phantom, and ex-vivo porcine tissue. Results obtained from several trials confirm the algorithm’s ability to track the needle and maintain needle-probe alignment with an average error of 1.5 mm, despite an out-of-plane average needle deflection of 7 mm along a 60 mm insertion depth.
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 | 0,000 |
| 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 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 ».