Patellofemoral and tibiofemoral alignment in a fully weight‐bearing upright MR: Implementation and repeatability
Notice bibliographique
Résumé
PURPOSE: To develop methods for evaluating 3D patellofemoral and tibiofemoral alignment in vertical open-bore magnetic resonance (MR) scanners, with participants upright and fully weight-bearing; and to evaluate the repeatability of these methods in individuals with patellofemoral osteoarthritis (OA) and in asymptomatic knees. MATERIALS AND METHODS: -weighted turbo spin echo images in a 3T scanner to create accurate participant-specific 3D anatomical surface models. In a vertical open-bore 0.5T MR scanner, we obtained lower-resolution sagittal gradient echo images to capture bony position and orientation data. Participants were scanned in a position of squatting with the knees flexed 30°, three separate times to evaluate repeatability. Bone segmentation was performed manually, surface models were registered to data from the 0.5T scanner, and 3D patellofemoral and tibiofemoral alignment was calculated in all six degrees of freedom (three rotations and three translations). RESULTS: Intraclass correlation coefficients (ICCs) were ≥0.94, with the exception of patellar spin (0.79). Standard errors of measure (SEM) were <2° rotation and <0.9 mm translation. Repeatability remained adequate when stratified by group, with the exception of patellar spin (ICC 0.57 for asymptomatic knees vs. 0.91 for OA knees). CONCLUSION: We demonstrate methods for evaluating 3D alignment in upright fully weight-bearing participant positions in a vertical open-bore MR scanner. With the exception of patellar spin, repeatability was good to excellent. LEVEL OF EVIDENCE: 3 Technical Efficacy: Stage 1 J. Magn. Reson. Imaging 2018;47:841-847.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».