MDCT-Based Finite Element Analysis for the Prediction of Functional Spine Unit Strength—An In Vitro Study
Notice bibliographique
Résumé
(1) Objective: This study aimed to analyze the effect of ligaments on the strength of functional spine unit (FSU) assessed by finite element (FE) analysis of anatomical models developed from multi-detector computed tomography (MDCT) data. (2) Methods: MDCT scans for cadaveric specimens were acquired from 16 donors (7 males, mean age of 84.29 ± 6.06 years and 9 females, mean age of 81.00 ± 11.52 years). Two sets of FSU models (three vertebrae + two disks), one with and another without (w/o) ligaments, were generated. The vertebrae were segmented semi-automatically, intervertebral disks (IVD) were generated manually, and ligaments were modeled based on the anatomical location. FE-predicted failure loads of FSU models (with and w/o ligaments) were compared with the experimental failure loads obtained from the uniaxial biomechanical test of specimens. (3) Results: The mean and standard deviation of the experimental failure load of FSU specimens was 3513 ± 1029 N, whereas of FE-based failure loads were 2942 ± 943 N and 2537 ± 929 N for FSU models with ligaments and without ligament attachments, respectively. A good correlation (ρ = 0.79, and ρ = 0.75) was observed between the experimental and FE-based failure loads for the FSU model with and with ligaments, respectively. (4) Conclusions: The FE-based FSU model can be used to determine bone strength, and the ligaments seem to have an effect on the model accuracy for the failure load calculation; further studies are needed to understand the contribution of ligaments.
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) | 0,002 | 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 ».