論文の概要: Hip Fracture Prediction using the First Principal Component Derived from FEA-Computed Fracture Loads

• arxiv url: http://arxiv.org/abs/2210.01032v1
• Date: Mon, 3 Oct 2022 15:46:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 17:48:40.218235
• Title: Hip Fracture Prediction using the First Principal Component Derived from FEA-Computed Fracture Loads
• Title（参考訳）: FEA計算破壊荷重から導出した第1主成分を用いたヒップフラクチャー予測
• Authors: Xuewei Cao, Joyce H Keyak, Sigurdur Sigurdsson, Chen Zhao, Weihua Zhou, Anqi Liu, Thomas Lang, Hong-Wen Deng, Vilmundur Gudnason, Qiuying Sha
• Abstract要約: FEAパラメータの最初のPC(PC1)は、股関節骨折の唯一の有意な予測因子であった。 PC1 を用いた受信操作特性曲線 (AUC) 下の領域の平均値は, 男性被験者で組み合わせたすべての FE パラメータよりも常に高い値を示した。
• 参考スコア（独自算出の注目度）: 9.559912768670888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hip fracture risk assessment is an important but challenging task. Quantitative CT-based patient specific finite element analysis (FEA) computes the force (fracture load) to break the proximal femur in a particular loading condition. It provides different structural information about the proximal femur that can influence a subject overall fracture risk. To obtain a more robust measure of fracture risk, we used principal component analysis (PCA) to develop a global FEA computed fracture risk index that incorporates the FEA-computed yield and ultimate failure loads and energies to failure in four loading conditions (single-limb stance and impact from a fall onto the posterior, posterolateral, and lateral aspects of the greater trochanter) of 110 hip fracture subjects and 235 age and sex matched control subjects from the AGES-Reykjavik study. We found that the first PC (PC1) of the FE parameters was the only significant predictor of hip fracture. Using a logistic regression model, we determined if prediction performance for hip fracture using PC1 differed from that using FE parameters combined by stratified random resampling with respect to hip fracture status. The results showed that the average of the area under the receive operating characteristic curve (AUC) using PC1 was always higher than that using all FE parameters combined in the male subjects. The AUC of PC1 and AUC of the FE parameters combined were not significantly different than that in the female subjects or in all subjects
• Abstract（参考訳）: 股関節骨折リスク評価は重要な課題だが難しい課題である。 定量的CTベースの患者特定有限要素解析(FEA)は、特定の負荷条件下で大腿骨近位部を骨折する力(フラクチャー負荷)を計算する。 大腿骨近位部に関する異なる構造情報を提供し、全体の骨折リスクに影響を与える可能性がある。 骨折リスクのよりロバストな尺度を得るために,我々は主成分分析 (PCA) を用いて, AGES-Reykjavik研究から得られた110例の股関節骨折患者と235例の年齢, 性整合制御対象の4つの負荷条件(片肢姿勢と大転子後部, 側方, 側方への転倒による影響)において, FEA計算の収量と究極の故障負荷と故障に対するエネルギーを取り入れた大域的破壊リスク指標を開発した。 FEパラメータの最初のPC(PC1)が股関節骨折の唯一の有意な予測因子であった。 ロジスティック回帰モデルを用いて, PC1を用いた股関節骨折の予測性能と, 階層化ランダムリサンプリングを併用したFEパラメータとの違いを判定した。 以上の結果から,PC1を用いた受動動作特性曲線(AUC)における領域の平均値は,男性被験者で組み合わせたすべてのFEパラメータよりも常に高かった。 FEパラメータのPC1のAUCとAUCは、女性および全被験者のAUCと有意差はなかった。

関連論文リスト

• Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge [66.86170104167608]
  RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
  論文  参考訳（メタデータ） (2024-02-14T18:18:33Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Machine Learning Based Analytics for the Significance of Gait Analysis in Monitoring and Managing Lower Extremity Injuries [0.0]
  この研究は、合併症を予測する教師付き機械学習モデルの習熟度に焦点を当てた。 XGBoostはSMOTEの適用前後で最適なモデルであった。 この結果は、整形外科をデータインフォームドアプローチにシフトさせ、患者の結果を向上させるのに役立つ。
  論文  参考訳（メタデータ） (2023-09-27T20:12:19Z)
• Assessment of Anterior Cruciate Ligament Injury Risk Based on Human Key Points Detection Algorithm [2.2284196209013345]
  本稿では,コンピュータビジョン技術を用いて検出された人体のキーポイントに基づくACL損傷リスク評価アルゴリズムを提案する。 提案アルゴリズムはACL損傷の潜在的なリスクを効果的に検出する。
  論文  参考訳（メタデータ） (2023-05-24T01:22:26Z)
• Fast and Robust Femur Segmentation from Computed Tomography Images for Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
  我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。 本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
  論文  参考訳（メタデータ） (2022-04-20T16:16:16Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)
• Introducing Anisotropic Minkowski Functionals for Local Structure Analysis and Prediction of Biomechanical Strength of Proximal Femur Specimens [0.0]
  骨粗しょう症や外傷による骨の脆さや骨折は、50歳以上の成人に多く見られ、生活の質を低下させる。 本研究では,MDCT画像から大腿骨近位部標本の骨強度を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-02T14:33:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。