論文の概要: Development of Machine learning algorithms to identify the Cobb angle in adolescents with idiopathic scoliosis based on lumbosacral joint efforts during gait (Case study)

• arxiv url: http://arxiv.org/abs/2301.12588v1
• Date: Sun, 29 Jan 2023 23:58:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 16:11:34.901048
• Title: Development of Machine learning algorithms to identify the Cobb angle in adolescents with idiopathic scoliosis based on lumbosacral joint efforts during gait (Case study)
• Title（参考訳）: 歩行時の腰仙関節活動に基づく思春期特発性脊柱症児のコブ角度同定のための機械学習アルゴリズムの開発(第1報)
• Authors: Bahare Samadi, Maxime Raison, Philippe Mahaudens, Christine Detrembleur, Sofiane Achiche
• Abstract要約: 本研究の目的は、自動放射線フリーモデルを開発することにより、コブ角を同定することである。 放射能のないデータとしての歩行中の腰仙関節は、コブ角を識別することができる。
• 参考スコア（独自算出の注目度）: 1.1199585259018454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objectives: To quantify the magnitude of spinal deformity in adolescent idiopathic scoliosis (AIS), the Cobb angle is measured on X-ray images of the spine. Continuous exposure to X-ray radiation to follow-up the progression of scoliosis may lead to negative side effects on patients. Furthermore, manual measurement of the Cobb angle could lead to up to 10{\deg} or more of a difference due to intra/inter observer variation. Therefore, the objective of this study is to identify the Cobb angle by developing an automated radiation-free model, using Machine learning algorithms. Methods: Thirty participants with lumbar/thoracolumbar AIS (15{\deg} < Cobb angle < 66{\deg}) performed gait cycles. The lumbosacral (L5-S1) joint efforts during six gait cycles of participants were used as features to feed training algorithms. Various regression algorithms were implemented and run. Results: The decision tree regression algorithm achieved the best result with the mean absolute error equal to 4.6{\deg} of averaged 10-fold cross-validation. Conclusions: This study shows that the lumbosacral joint efforts during gait as radiation-free data are capable to identify the Cobb angle by using Machine learning algorithms. The proposed model can be considered as an alternative, radiation-free method to X-ray radiography to assist clinicians in following-up the progression of AIS.
• Abstract（参考訳）: 目的: 思春期特発性強皮症(AIS)における脊髄変形の程度を定量化するために, 脊椎X線画像上でコブ角を測定する。 スコリオーシスの進行をフォローアップするためのX線連続曝露は、患者に負の副作用をもたらす可能性がある。 さらに、コブ角の手動測定は、観察者の内/間の変化によって最大10{\deg}以上の差をもたらす可能性がある。 そこで本研究の目的は,機械学習アルゴリズムを用いて自動放射能フリーモデルを構築し,コブ角を同定することである。 方法: 腰椎・胸腰椎 AIS (15{\deg} < Cobb angle < 66{\deg}) の30名の被験者が歩行周期を行った。 ランボサクラール (L5-S1) は6回の歩行周期において, 訓練アルゴリズムの給餌に利用した。 様々な回帰アルゴリズムが実装され実行された。 結果: 決定木回帰アルゴリズムは, 平均10倍のクロスバリデーションの4.6{\degに等しい平均絶対誤差で最良の結果を得た。 結論: 本研究は, 無放射線データとして歩行中の腰仙関節が, 機械学習アルゴリズムを用いてコブ角度を識別できることを示す。 提案手法は,放射線のないX線ラジオグラフィーの代替手法として,AISの進行にともなって臨床医を支援することができる。

関連論文リスト

• Automatic Ultrasound Curve Angle Measurement via Affinity Clustering for Adolescent Idiopathic Scoliosis Evaluation [1.9747854071595796]
  思春期特発性強皮症(AIS)を評価するための現在の臨床金基準は、コブ角測定を用いたX線X線撮影である。 自動超音波曲線角測定(UCA)のための推定モデルを提案する。 このモデルでは、二重ブランチネットワークを用いて、候補のランドマークを検出し、超音波コロナ画像の椎骨分割を行う。
  論文  参考訳（メタデータ） (2024-05-06T03:28:47Z)
• Deep learning automates Cobb angle measurement compared with multi-expert observers [3.7153471185088427]
  コブ角 (Cobb angle) は、傾斜した椎骨間の曲率を測定する、広く使われているスコリシス定量法である。 我々は、Cobb角を正確に測定し、これらの測定をはっきりと視覚化する完全に自動化されたソフトウェアを作成しました。 このソフトウェアは、ディープニューラルネットワークに基づく脊髄領域の検出とセグメンテーション、脊髄中心の同定を統合し、最も傾いた脊椎をピンポイントする。
  論文  参考訳（メタデータ） (2024-03-18T15:43:45Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• B-Spine: Learning B-Spline Curve Representation for Robust and Interpretable Spinal Curvature Estimation [50.208310028625284]
  脊椎のB-スプライン曲線表現を学習するための新しいディープラーニングパイプラインであるB-Spineを提案する。 低画質X線画像から脊髄曲率推定のためのコブ角度を推定する。
  論文  参考訳（メタデータ） (2023-10-14T15:34:57Z)
• Automating Cobb Angle Measurement for Adolescent Idiopathic Scoliosis using Instance Segmentation [1.3161405778899375]
  現在、スコリオーシスを評価するための基準基準は、コブ角のマニュアル割り当てに基づいている。 本稿では,YOLACT(インスタンスセグメンテーションモデル)を用いたコブ角計測タスクを提案する。 提案手法はまず,YOLACTを用いてX線画像に椎骨を分割し,最小境界ボックスアプローチを用いて重要なランドマークを追跡する。
  論文  参考訳（メタデータ） (2022-11-25T14:04:06Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Direct Estimation of Spinal Cobb Angles by Structured Multi-Output Regression [42.67503464183464]
  脊髄湾曲率を定量的に評価するコブ角度は、脊柱側膜症の診断および治療において重要な役割を果たします。 脊髄X線からのCobb角の推定を多出力回帰タスクとして定式化する。 本手法は, 高い精度で cobb 角度の直接推定が可能であり, 臨床応用の可能性も示唆する。
  論文  参考訳（メタデータ） (2020-12-23T12:33:46Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Vertebra-Focused Landmark Detection for Scoliosis Assessment [54.24477530836629]
  脊椎に焦点をあてた新しいランドマーク検出法を提案する。 我々のモデルはまず椎骨中心を局在させ、そこから学習されたコーナーオフセットを通して椎骨の4つの角のランドマークを辿る。 その結果,低コントラストおよび無明度X線画像におけるコブ角測定とランドマーク検出の両面での有用性が示された。
  論文  参考訳（メタデータ） (2020-01-09T19:17:41Z)
• Automated Segmentation of Vertebrae on Lateral Chest Radiography Using Deep Learning [0.19116784879310023]
  本研究の目的は,深層学習を用いた胸部X線撮影における椎体分割の自動アルゴリズムの開発である。 U-Netディープ畳み込みニューラルネットワークをセグメント化に利用し、損失関数としてダイス係数と二元交叉エントロピーの和を用いた。 テストセットでは、平均サイス係数は90.5、平均交叉結合(IoU)は81.75であった。
  論文  参考訳（メタデータ） (2020-01-05T17:35:04Z)

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。