深度学习算法用于预测部运动轨迹:动态肩膀超声波分析
Yi-Chung Shu1, Yu-Cheng Lo1, Hsiao-Chi Chiu1
1Institute of Applied Mechanics, College of Engineering, National Taiwan University, Taipei, Taiwan.
Ultrasonics
|June 8, 2023
概括
一个新的深度学习算法在动态超声波中自动检测肩部的地标,提高了下部运动指标的准确性. 这项技术有助于更有效地识别异常的肩部运动模式.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 动态肩部超声波测试对于评估下运动和识别肩部病理非常有价值.
- 在超声波中手动识别地标是劳动密集型和耗时的.
研究的目的:
- 评估深度学习算法的可行性,用于从动态肩膀超声波中自动提取亚体运动度量.
- 为了比较不同深度学习模型与手动测量的准确性.
主要方法:
- 开发了一个深度学习框架,包括卷积神经网络 (CNN) 和基于自转移学习的CNN (STL-CNN) 带有或没有自动编码器 (AE).
- 该算法跟踪了17名参与者在肩膀绑架/引送过程中较大的结核相对于侧侧的轨迹.
- 算法输出和手动地标标签 (地面真相) 之间的平均绝对误差 (MAE) 是主要的结果指标.
主要成果:
- 在STL-CNN模型 (带有或没有AE) 中,水平地标差异的MAE明显低于标准CNN.
- 与CNN相比,STL-CNN还显示了与CNN相比,垂直地标本地化准确度的提高.
- 作为关键指标的最小垂直角角距离,STL-CNN与CNN (0.081-0.333厘米) 的误差明显较低 (0.002-0.007厘米).
结论:
- 一种深度学习算法,特别是STL-CNN,可以在动态肩膀超声波中自动检测关键解剖标志.
- 开发的框架准确地捕捉到最小的垂直形形距离,这对于临床评估形下运动至关重要.
- 这种自动化方法为在临床实践中分析肩膀生物力学提供了更有效,更准确的方法.
