一种新的后处理技术,用于纠正对称植入物模糊性,用于测量从单平面光镜测量全膝关节整形动力学
Andrew James Jensen1, Catia S Silva2, Kerry E Costello1
1Department of Mechanical & Aerospace Engineering, PO Box 116250, Gainesville, FL 32611, USA.
Journal of biomechanics
|June 4, 2024
概括
这项研究引入了一种机器学习方法,以精确地测量X射线的全膝关节关节整形 (TKA) 动力学,克服对称植入物的挑战并改善临床测量.
科学领域:
- 生物医学工程 生物医学工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 使用单平面光学对全膝关节整形术 (TKA) 动力学进行自主测量正在取得进展.
- 对称的植入组件会产生"对称性陷",导致优化程序中的模两可的姿势估计.
- 临床上稳定的TKA动力学测量需要解决这些与对称性相关的模两可.
研究的目的:
- 开发和验证一种机器学习 (ML) 算法,以准确地从单平面光学中确定TKA动力学,特别是解决对称部植入物带来的挑战.
- 提高TKA动力学分析中姿势测量的可靠性和准确性.
主要方法:
- 开发了一个算法来将真实姿势转换为它们对应的"对称陷"方向.
- 一个数据集的近13,000人监督的动力学被增强了"真实"和"对称陷"的姿势.
- 在增强数据集上训练了八个分类ML算法;表现最好的机动学被分类为"明显真实"或"潜在模两可".
- 通过"显然真实"的姿势构建了一个线条,并将"模两可"的姿势与线条进行比较以确定方向.
主要成果:
- 在内部测试组中,ML算法达到88-94%的准确性,在外部测试组中达到91-93%的准确性.
- 基于spline的算法实现了91.1%的准确性,94%的特异性和67%的动力学序列灵敏度.
- 对于在纯侧向视图 (在5度内) 附近的植入物,ML算法准确率为71%,超过5度后增加到88%.
结论:
- 本研究提出了一种系统的方法,用于解决TKA动力学中对称的部植入物模型图像注册问题.
- ML算法的高精度表明它们有可能在单平面光镜姿势测量中减轻形状模糊性错误.
- 支持更的视角的成像协议可能会进一步改善"真实"和"对称陷"姿势的明确性.
