Device-Specific Calibration Methods for Optical Frequency Domain Reflectometry-Based Shape Sensing in Catheters and Surgical Needles
Notice bibliographique
Résumé
Minimally invasive procedures for diagnosing and treating occlusive arterial diseases and prostate cancer face significant challenges due to the complexity of navigating within occluded arteries and precisely positioning surgical needles. Fiber optic sensors, coupled with optical frequency domain reflectometry (OFDR), offer promising solutions to the accuracy limitations of traditional imaging methods in complex anatomies. This work proposes custom calibration techniques of fiber optic sensors for vascular catheters and prostate surgical needles, addressing device-specific characteristics that can cause shape sensing inaccuracies, making precise and reliable calibration crucial. We assessed how calibration, tool characteristics, and spatial resolution affect shape reconstruction accuracy, with the catheter calibration protocol yielding a root-mean-squared-error (RMSE) of 1.67 ± 0.77 mm (0.4% ± 0.2%), and the needle calibration protocol achieving 0.23 ± 0.14 mm (0.2% ± 0.1%). Although the impact of spatial resolution wasn't significant, it's crucial to consider as it varies with the specific medical device and application.Clinical relevance-The proposed calibration methods enhance the safety and precision of fiber optic minimally invasive procedures by reducing reliance on imaging like fluoroscopy, minimizing tool placement errors across various medical devices and clinical domains. We demonstrate potential for automation to improve both clinical outcomes and workflow efficiency.
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 ».