Can a partial volume edge effect reduction algorithm improve the repeatability of subject-specific finite element models of femurs obtained from CT data?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The reliability of patient-specific finite element (FE) modelling is dependent on the ability to provide repeatable analyses. Differences of inter-operator generated grids can produce variability in strain and stress readings at a desired location, which are magnified at the surface of the model as a result of the partial volume edge effects (PVEEs). In this study, a new approach is introduced based on an in-house developed algorithm which adjusts the location of the model's surface nodes to a consistent predefined threshold Hounsfield unit value. Three cadaveric human femora specimens were CT scanned, and surface models were created after a semi-automatic segmentation by three different experienced operators. A FE analysis was conducted for each model, with and without applying the surface-adjustment algorithm (a total of 18 models), implementing identical boundary conditions. Maximum principal strain and stress and spatial coordinates were probed at six equivalent surface nodes from the six generated models for each of the three specimens at locations commonly utilised for experimental strain guage measurement validation. A Wilcoxon signed-ranks test was conducted to determine inter-operator variability and the impact of the PVEE-adjustment algorithm. The average inter-operator difference in stress values was significantly reduced after applying the adjustment algorithm (before: 3.32 ± 4.35 MPa, after: 1.47 ± 1.77 MPa, p = 0.025). Strain values were found to be less sensitive to inter-operative variability (p = 0.286). In summary, the new approach as presented in this study may provide a means to improve the repeatability of subject-specific FE models of bone obtained from CT data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle