MétaCan
Menu
Retour à la cohorte
Enregistrement W4308531407 · doi:10.1186/s12880-022-00922-2

Reproducibility and repeatability of a semi-automated pipeline to quantify trapeziometacarpal joint angles using dynamic computed tomography

2022· article· en· W4308531407 sur OpenAlex
Michael T. Kuczynski, Kendra Wang, Justin J. Tse, Tomasz Bugajski, Sarah L. Manske

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueBMC Medical Imaging · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueOrthopedic Surgery and Rehabilitation
Établissements canadiensUniversity of WaterlooAlberta Bone and Joint Health InstituteUniversity of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health ResearchArthritis SocietyUniversity of Calgary
Mots-clésReproducibilityRepeatabilityComputer scienceComputed tomographyPipeline (software)Joint (building)TomographyMedical physicsRadiologyMedicineNuclear medicineMathematics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The trapeziometacarpal (TMC) joint is a mechanically complex joint and is commonly affected by musculoskeletal diseases such as osteoarthritis. Quantifying in vivo TMC joint biomechanics, such as joint angles, with traditional reflective marker-based methods can be difficult due to the joint's location in the hand. Dynamic computed tomography (CT) can facilitate the quantification of TMC joint motion by continuously capturing three-dimensional volumes over time. However, post-processing of dynamic CT datasets can be time intensive and automated methods are needed to reduce processing times to allow for application to larger clinical studies. The purpose of this work is to introduce a fast, semi-automated pipeline to quantify joint angles from dynamic CT scans of the TMC joint and evaluate the associated error in joint angle and translation computation by means of a reproducibility and repeatability study. METHODS: Ten cadaveric hands were scanned with dynamic CT using a passive motion device to move thumbs in a radial abduction-adduction motion. Static CT scans and high-resolution peripheral quantitative CT scans were also acquired to generate high-resolution bone meshes. Abduction-adduction, flexion-extension, and axial rotation angles were computed using a joint coordinate system. Reproducibility and repeatability were assessed using intraclass correlation coefficients, Bland-Altman analysis, and root mean square errors. Target registration errors were computed to evaluate errors associated with image registration. RESULTS: We found good repeatability for flexion-extension, abduction-adduction, and axial rotation angles. Reproducibility was moderate for all three angles. Joint translations exhibited greater repeatability than reproducibility. Specimens with greater joint degeneration had lower repeatability and reproducibility. We found that the difference in resulting joint angles and translations were likely due to differences in segment coordinate system definition between multiple raters, rather than due to registration errors. CONCLUSIONS: The proposed semi-automatic processing pipeline was fast, repeatable, and moderately reproducible when quantifying TMC joint angles and translations. This work provides a range of errors for TMC joint angles from dynamic CT scans using manually selected anatomical landmarks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,383
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,331
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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