用CT数据训练的多重线性回归来从可触摸的地标估计关节中心的预测方法

科学领域:

• 生物力学 生物力学
• 医疗成像医学成像
• 整形外科 整形外科 整形外科

背景情况:

• 准确的人类运动分析需要精确的追踪使用皮肤标记器的身体部分.
• 估计角旋转中心 (GH-r) 对于骨运动分析至关重要,但由于其不可触摸的性质而具有挑战性.
• 目前用于GH-r估计的线性回归模型具有影响其性能的限制.

研究的目的:

• 开发一个改进的线性回归模型,用可触摸的地标来估计膜旋中心 (GH-r).
• 解决和克服当前GH-r预测模型的局限性.
• 为了提高骨运动分析的准确性和可靠性.

主要方法:

• 使用了73个CT扫描的数据集,分为训练,验证和测试集 (60:20:20比率).
• 开发了多个线性回归模型,使用4个数字化头骨皮肤地标和主体特征作为预测因素.
• 通过部头的球形配件估计地面真实性GH-r;根据准确性和简单性选择了最终的模型.

主要成果:

• 最终的回归模型在测试组中获得了6.81mm的平均欧几里德距离误差 (EDE).
• 与既有预测模型相比,这代表了至少10.73毫米的统计学显著减少 (p < 0.001).
• 灵敏度分析表明EDE的可控增加 (高达8.46毫米),标记物放置的可变性和对观察者之间的可变性的稳定性.

结论:

• 开发的线性回归模型显著改善了对结旋转中心 (GH-r) 的估计.
• 这种增强的GH-r估计提供了一种更准确,更可靠的方法来分析腕运动.
• 该模型在准确性和稳定性方面具有优势,优于现有的文献模型.