A Model-Free Feature-Based Bi-Planar RSA Method for Kinematic Analysis of Total Knee Arthroplasty
Notice bibliographique
Résumé
Fluoroscopic imaging is commonly used for assessing relative motions of orthopaedic implants. One limiting factor to in vivo model-based roentgen stereophotogrammetric analysis of total knee arthroplasty is the need for 3D models of the implants.The 3D models of the implant components must be reverse-engineered, if not provided by the company, which makes this method impractical for a clinical study involving many types or sizes of implants. This study introduces a novel feature-based methodology that registers the features at the implant-bone or implant-cement interface of the components that have elementary shapes. These features include pegs with hemispherical heads, and straight, circular or curved edges located on flat faces of the box of the femoral component or the stem geometry of the tibial component. Software was developed to allow easy registration of these features through a graphical user interface. The accuracy and precision of registration for multiple flexion angles from 0 to 120 deg was determined with reference to registered poses of the implants through experiments on bone replica models and also on a cadaver specimen implanted with total knee prostheses. When compared to an equivalent bi-planar model-based registration, the results were comparable: The mean accuracy of this feature-based method was 1.45 deg and 1.03 mm (in comparison to 0.95 deg and 1.32 mm for the model-based approach), and the mean precision was 0.57 deg and 0.26 mm (in comparison to 0.42 deg and 0.44 mm for the model-based approach).The methodology and the developed software can easily accommodate different design of implants with various fixation features. This method can facilitate in vivo kinematic analysis of total knee arthroplasty by eliminating the need for 3D models of the implant components.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».