Integrating Confidence Maps and Visual Servoing for Needle Tracking in Robotic US-Guided Percutaneous Nephrolithotomy
Notice bibliographique
Résumé
Ultrasound-guided percutaneous nephrolithotomy (PCNL) is a minimally invasive procedure to remove large kidney stones through an incision in the patient’s back. PCNL requires a high level of dexterity to steer a surgical tool while visualizing it using ultrasound images. A robotic system that controls the ultrasound probe to automatically image the tool would alleviate the surgeon’s cognitive workload and potentially lead to more accurate kidney access. We propose a novel algorithm that combines visual servoing and confidence maps to track the position of a manually steered needle using a robotically actuated ultrasound probe. The algorithm automatically adjusts the position of the ultrasound probe so that the same longitudinal portion of the needle shaft is visible in the image, while simultaneously ensuring acoustic contact between the ultrasound probe and the tissue over uneven surfaces. Unlike previous methods, where confidence maps were used for probe positioning with static targets, this paper introduces the first unified algorithm that optimizes image quality while tracking a moving tool. It ensures continuous probe-tissue contact on uneven surfaces and does not require prior knowledge of the needle’s trajectory or additional sensors. The algorithm, evaluated in phantom tissue and in a realistic kidney mannequin, shows an average tool tracking accuracy of 1.65 mm and 1.17 mm, respectively, confirming its ability to reliably track a manually inserted tool during PCNL.
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 | 0,001 | 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 ».