Validation of a machine learning technique for segmentation and pose estimation in single plane fluoroscopy
Notice bibliographique
Résumé
Kinematics of total knee replacements (TKR) play an important role in assessing the success of a procedure and would be a valuable addition to clinical practice; however, measuring TKR kinematics is time consuming and labour intensive. Recently, an automatic single-plane fluoroscopic method utilizing machine learning has been developed to facilitate a quick and simple process for measuring TKR kinematics. This study aimed to validate the new automatic single-plane technique using biplanar radiostereometric analysis (RSA) as the gold standard. Twenty-four knees were imaged at various angles of flexion in a dedicated RSA lab and 113 image pairs were obtained. Only the lateral RSA images were used for the automatic single-plane technique to simulate single-plane fluoroscopy. Two networks helped automate the kinematics measurement process, one segmented implant components and the other generated an initial pose estimate for the optimization algorithm. Kinematics obtained via the automatic single plane and manual biplane techniques were compared using root-mean-square error and Bland-Altman plots. Two observers measured the kinematics using the automated technique and results were compared with assess reproducibility. Root-mean-square errors were 0.8 mm for anterior-posterior translation, 0.5 mm for superior-inferior translation, 2.6 mm for medial-lateral translation, 1.0° for flexion-extension, 1.2° for abduction-adduction, and 1.7° for internal-external rotation. Reproducibility, reported as root-mean-square errors between operator measurements, was submillimeter for in-plane translations and below 2° for all rotations. Clinical Significance: The advantages of the automated single plane technique should aid in the kinematic measurement process and help researchers and clinicians perform TKR kinematic analyses.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».