步行到接触 (G2C):一种新的深度学习框架,可以从步行模式中预测膝盖整体置换磨损

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 整形外科手术 整形外科手术

背景情况:

• 全膝关节置换 (TKR) 是一种常见的手术,其磨损率的变化受行走模式的影响.
• 有限元素分析 (FEA) 模型是准确的,但计算密集型,限制研究.
• 开发有效的方法来预测TKR磨损对于改善植入物寿命至关重要.

研究的目的:

• 引入一种新的深度学习 (DL) 替代模型,以预测TKR中的聚乙烯层磨损.
• 与传统的FEA相比,显著降低计算成本和处理时间.
• 允许对TKR磨损机制进行更快,更容易获得的研究.

主要方法:

• 产生了314个步态模式变化 (ISO14243-3:2014),用于前后转换,旋转,曲/延伸和轴承负荷.
• 利用经过验证的FEA模型计算聚乙烯层的线性磨损分布.
• 训练了一个变压器-CNN编码器-解码器DL模型,从步行时间序列数据中预测磨损分布.

主要成果:

• DL模型在几分钟内实现了预测时间,大大减少了FEA所需的天数.
• 来自DL模型的磨损地图预测显示了与FEA结果的高度一致 (MAPE < 6%,SSIM > 0.88,NMI > 0.88).
• DL方法证明了相当大的计算效率,精度与FEA相比.

结论:

• 深度学习为预测TKR磨损提供了一个有希望的,计算效率高的FEA替代方案.
• 这种方法可以加速研究,并可能导致个性化的TKR干预.
• 未来的工作包括将DL模型应用于临床患者数据,以便及时干预.