A Survey of Autonomous Robotic Ultrasound Scanning Systems
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 review investigates recent advancements in autonomous, semi-autonomous, and teleoperated robotic ultrasound systems.Traditional ultrasound imaging depends on manual probe manipulation, which introduces operator variability, physical strain, and limitations in accessibility. To address these challenges, this review investigates recent advancements in autonomous, semi-autonomous, and teleoperated robotic ultrasound systems by analyzing over 60 publications, including key developments from 2022 to 2025. Our survey reveals a growing adoption of cobot-based solutions equipped with 6-DOF force/torque sensors and RGB-D vision systems for precise probe positioning [34], [58], [60]. Notably, several systems now integrate reinforcement learning, image-guided visual servoing, and real-time feedback loops to enable intelligent trajectory planning and adaptive force control [46]–[48]. However, we identify critical gaps in the literature: surface-parallel force and torque components are often ignored in control models, limiting the accuracy of probe orientation and tissue coupling [39], [40]. Furthermore, real-time ultrasound image feedback is rarely used for path optimization, despite its importance in enhancing image quality and diagnostic reliability [38], [50]. This review emphasizes the need for future systems to integrate multi-modal sensing, adaptive control, and real-time image quality assessment to achieve robust, generalizable robotic ultrasound workflows.
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 | 0,000 |
| 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