通过电阻断层扫描比较机器学习算法,用于通过非侵入式检测和分类通过电阻断层扫描在压力复原骨水泥中的故障

科学领域:

• 生物材料工程 生物材料工程
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 关节置换的修复手术带来了巨大的成本和患者负担.
• 目前的成像方法无法检测出水泥故障的早期迹象,导致误诊.
• 用导电填充剂修改的聚甲酸 (PMMA) 骨头水泥可以实现自传感.

研究的目的:

• 将机器学习与电阻断层扫描 (EIT) 集成在一起,以描述关节置换中的水泥状况.
• 评估使用机器学习算法用于诊断自传感PMMA骨中机械故障的可行性.
• 提高检测和分类水泥故障机制的准确性.

主要方法:

• 开发了具有导电性填充剂的自传感PMMA骨水泥.
• 使用电阻断层扫描 (EIT) 来监控负载传输和检测异常.
• 应用各种机器学习算法 (神经网络,SVM,KNN) 和PCA用于信号分析和缺陷分类.

主要成果:

• 机器学习算法,特别是神经网络,支持向量机器和K-近邻,有效地解释了EIT信号.
• 主要组件分析 (PCA) 证明了对阻抗信号进行预处理的有用性.
• 综合方法在跟踪样品位置,缺陷方向和分类裂和分层等缺陷方面显示出可行性.

结论:

• 结合智能材料,EIT和机器学习,为诊断关节更换中的机械故障提供了一个强大的工具.
• 这项技术可以识别故障的起源和进展,从而有可能减少修复手术的发生率.
• 进一步开发这种仪器可以显著提高关节置换植入物的寿命和成功.