与对照者相比,患有关节疼痛的人的肌肉脂肪和体积差异:一种机器学习方法
Chris Stewart1, Evert O Wesselink2,3, Zuzana Perraton1
1School of Allied Health, Human Services and Sport, Discipline of Physiotherapy, La Trobe University, Melbourne, Australia.
Journal of cachexia, sarcopenia and muscle
|September 29, 2024
概括
运动员的关节相关疼痛与增加的关节中和紧张带肌肉体积有关. 自动机器学习准确可靠地对部肌肉进行细分,优于手工方法.
科学领域:
- 整形外科 整形外科 整形外科
- 运动医学 运动医学
- 医疗成像医学成像
背景情况:
- 与部相关的疼痛 (HRP) 影响活跃的成年人,影响生活质量和身体功能.
- 诸如股骨脚骨突触综合征和腹部撕裂等情况会导致HRP.
- 在HRP中注意到部肌肉功能障碍,但在年轻人群中证据有限.
研究的目的:
- 在有或没有HRP的运动员中,比较部肌肉体积和肌内脂肪透 (MFI).
- 评估用于部肌肉细分的自动机器学习 (ML) 的可靠性和准确性.
- 将ML细分与人类生成的细分进行比较.
主要方法:
- 对具有 (n=180) 和没有 (n=48) HRP的次精英足球运动员进行横截面研究.
- 磁力共振扫描测定了关节最大,中,最小和张紧筋的肌肉体积和MFI.
- 线性回归分析了肌肉体积的关联,控制共变量.
- 卷积神经网络 (CNN) ML与在子集中的手动细分相比 (n=52).
主要成果:
- 群体间的部中和紧张带肌肉体积的显著差异.
- 在 gluteus maximus 或 minimus 肌肉体积上没有显著差异.
- CNN实现了高分段精度 (>0.900) 和可靠性 (>0.900),表现优于手动评分器.
结论:
- 在HRP中,肌肉中和紧张带的肌肉体积增加可能与肌肉缩有关,可能会提高肌肉效率.
- 自动化的CNN细分是高效和高度可靠的评估部肌肉形态.
- 在临床和研究环境中,ML为手动细分提供了一个有希望的,准确的替代方案.
