Real-Time Simulation of Ultrasound Image Deformation Using Thin Plate Spline
Notice bibliographique
Résumé
Finite element modelling (FEM) has been the primary approach for non-rigid medical image registration and simulating image deformation in virtual models. A notable limitation of FEM is the high computational cost and the challenges associated with model identification in heterogeneous tissue. In this paper, we propose using thin plate spline (TPS) as an alternative for simulating image deformation during ultrasound-guided needle insertion. Unlike FEM, in TPS non-rigid deformations are simulated by moving a point in the mesh to a target location, and recalculating the location of all other points such that bending energy is minimized, potentially making experimental model identification easier.We propose a novel formulation to convert needle-tissue interaction forces, including tissue cutting, friction, and relaxation, into localized nodal displacements that serve as inputs to the TPS model. As the needle moves, it alters the input to the TPS based on its speed, direction, and depth, resulting in a real-time update of the mesh. These updates enable the TPS to adapt continuously, ensuring that the mesh mimics the tissue response. The proposed model is compared against an equivalent FEM model in a series of simulations and experiments in ex-vivo porcine tissue. The results show that both models have similar accuracy with TPS being consistently faster than FEM, with improvements in computational efficiency of above 50%. These results confirm the potential of the proposed method to be integrated into ultrasound-guided surgical simulation to enhance precision with larger meshes while reducing computational burden.
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 ».