走向自动化的足部压力分析:基于机器学习的细分和跨多中心数据中心的关键点检测.

科学领域:

• 生物力学 生物力学
• 医学成像分析 医学成像分析
• 医疗保健中的机器学习

背景情况:

• 脚部压力分析对于评估脚部功能和步态至关重要,但传统方法在处理各种数据方面存在困难.
• 对于足部压力细分的现有机器学习模型通常仅限于单中心数据集.
• 在足部压力图上自动检测关键解剖标志仍然未被充分探索.

研究的目的:

• 开发和验证机器学习模型,以便对脚部压力数据进行强大的解剖区域细分.
• 探索深度学习回归,用于预测脚部压力概况上的关键地标.
• 评估这些模型在多中心,多系统数据集上的性能.

主要方法:

• 利用U-Net模型将脚部表面划分为四个区域 (半身,甲足区域1和2-5,脚跟).
• 采用深度学习回归模型来预测地标,如数字间空间坐标和足区1中心.
• 标准化和增强了来自多个中心和系统的460个人的758个脚下压力样本.

主要成果:

• 对于细分,U-Net模型实现了专家级准确性 (平均子得分≥0.88),特别是在定义精确的领域.
• 基于直接细分的预测中足区域1中心优于回归或合体模型 (中等欧几里德距离=4.47).
• 回归模型显示数字间空间检测的误差较高,相比之下,足区1中心的预测.

结论:

• 拟议的ML框架证明了在各种多中心数据集和硬件中对足部压力细分和地标检测的稳定性和准确性.
• 这些方法能够对大型脚部压力数据集进行高效,标准化和自动化分析,减少手动标签和主观偏见.
• 综合方法为临床和研究应用提供了显著的实用价值,需要一致的足部功能评估.