A Semi-Automatic Method to Create an Affordable Three-Dimensional Printed Splint Using Open-Source and Free Software
Notice bibliographique
Résumé
Three-dimensional (3D) printed splints are becoming more feasible in recent years, showing promising lightweight, waterproof, and hygienic designs. A typical procedure to create 3D printed splints is obtaining the geometry of a body segment using a 3D scanner, creating a 3D printable splint model based on the geometry of the body segment, and 3D printing the splint. As technologies of 3D scanning and 3D printing become mature gradually, the main challenge to fabricate 3D printed splint is to create 3D printable splint models. To solve this challenge, researchers have proposed various methods to design 3D splint models. However, most methods require extensive 3D modeling skills that medical professionals are lacking. In this work, a semi-automatic method is proposed to create a 3D printable model. Given the geometry of a body segment obtained through a 3D scanner, the method includes three key steps: (1) create a draft splint lattice structure, (2) optimize the splint structure, and (3) create a 3D printable model based on the optimized structure. All the software adopted for this method is free and readily available, and thus, there is no additional cost to convert from a scanned geometry of a body segment to a 3D printable splint model. Because the majority of the work is done automatically, with initial training, a medical professional should be able to create a 3D printable model using the proposed method, given the geometry of a body segment. The proposed method is demonstrated by creating a 3D printed wrist splint and the demo is uploaded into GitHub, a popular open-source platform.
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 | 0,000 | 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 ».