关节追踪机器学习:从单平面X射线图像测量TKA六自由度运动学的自主方法
定量方法
2022-05-03 v1
摘要
三维TKA运动学的动态放射测量30多年来为植入物设计和手术技术提供了重要信息。然而,当前测量TKA运动学的方法过于繁琐或耗时,难以用于实际临床应用。即便最先进的技术也需要人工监督的初始化或整个优化过程中的人工监督。消除人工监督有可能使该技术具备临床实用性。因此,我们提出了一种从单平面成像量化TKA运动学的全自主流程。首先,卷积神经网络从图像中分割股骨和胫骨植入物。其次,将分割图像与归一化傅里叶描述子形状库比较以获得初始位姿估计。最后,Lipschitz优化例程最小化分割图像与投影植入物之间的差异。该技术在内部数据集和外部验证研究中可靠地复现了人工监督的运动学测量,内部研究的RMS差异小于0.7mm和4°,外部验证研究为0.8mm和1.7°。该性能表明,在临床环境中进行这些测量即将具备可行性。
引用
@article{arxiv.2205.00057,
title = {Joint Track Machine Learning: An autonomous method for measuring 6DOF TKA kinematics from single-plane x-ray images},
author = {Andrew Jensen and Paris Flood and Lindsey Palm-Vlasak and Will Burton and Paul Rullkoetter and Scott Banks},
journal= {arXiv preprint arXiv:2205.00057},
year = {2022}
}
备注
8 pages, 6 figures, 2 tables