論文の概要: Assessment of Anterior Cruciate Ligament Injury Risk Based on Human Key Points Detection Algorithm

• arxiv url: http://arxiv.org/abs/2305.14612v1
• Date: Wed, 24 May 2023 01:22:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 20:48:23.250983
• Title: Assessment of Anterior Cruciate Ligament Injury Risk Based on Human Key Points Detection Algorithm
• Title（参考訳）: キーポイント検出アルゴリズムを用いた前十字靭帯損傷リスクの評価
• Authors: Ziyu Gong, Xiong Zhao, Chen Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.2284196209013345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper aims to detect the potential injury risk of the anterior cruciate ligament (ACL) by proposing an ACL potential injury risk assessment algorithm based on key points of the human body detected using computer vision technology. To obtain the key points data of the human body in each frame, OpenPose, an open source computer vision algorithm, was employed. The obtained data underwent preprocessing and were then fed into an ACL potential injury feature extraction model based on the Landing Error Evaluation System (LESS). This model extracted several important parameters, including the knee flexion angle, the trunk flexion on the sagittal plane, trunk flexion angle on the frontal plane, the ankle knee horizontal distance, and the ankle shoulder horizontal distance. Each of these features was assigned a threshold interval, and a segmented evaluation function was utilized to score them accordingly. To calculate the final score of the participant, the score values were input into a weighted scoring model designed based on the Analytic Hierarchy Process (AHP). The AHP based model takes into account the relative importance of each feature in the overall assessment. The results demonstrate that the proposed algorithm effectively detects the potential risk of ACL injury. The proposed algorithm demonstrates its effectiveness in detecting ACL injury risk, offering valuable insights for injury prevention and intervention strategies in sports and related fields. Code is available at: https://github.com/ZiyuGong-proj/Assessment-of-ACL-Injury-Risk-Based-on-Openpose
• Abstract（参考訳）: 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いて、ACL損傷リスク評価アルゴリズムを提案することにより、前十字靭帯(ACL)の潜在的な損傷リスクを検出することを目的とする。 各フレームにおける人体のキーポイントデータを取得するために,オープンソースのコンピュータビジョンアルゴリズムであるOpenPoseを採用した。 得られたデータは前処理を行い、ランディングエラー評価システム(LESS)に基づいてACL電位損傷特徴抽出モデルに入力される。 本モデルでは, 膝屈曲角度, 矢状面の幹屈曲角度, 前方面の幹屈曲角度, 足関節水平距離, 足関節肩水平距離などの重要なパラメータを抽出した。 これらの特徴をしきい値間隔に割り当て,それに応じて分割評価関数を用いて評価を行った。 参加者の最終スコアを計算するために,分析階層プロセス(ahp)に基づいて設計された重み付けスコアモデルにスコア値を入力した。 AHPベースのモデルは、全体的な評価において各特徴の相対的重要性を考慮している。 その結果,ACL損傷のリスクを効果的に検出できることがわかった。 提案アルゴリズムはACL損傷リスクの検出に有効であり,スポーツ関連分野における傷害予防と介入戦略に有用な知見を提供する。 https://github.com/ZiyuGong-proj/Assessment-of-ACL-Injury-Risk-based-on-Openpose

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)
• 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)
• Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
  膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。 我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。 実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
  論文  参考訳（メタデータ） (2023-03-23T11:57:50Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Hip Fracture Prediction using the First Principal Component Derived from FEA-Computed Fracture Loads [9.559912768670888]
  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。
  論文  参考訳（メタデータ） (2022-10-03T15:46:06Z)
• Coherence Learning using Keypoint-based Pooling Network for Accurately Assessing Radiographic Knee Osteoarthritis [18.47511520060851]
  膝関節症(英語: Knee osteoarthritis, OA)は、世界中の高齢者に影響を及ぼす一般的な変性関節疾患である。 現在臨床症状のある膝OAグレーティングシステムは観察対象であり、レイター間の相違に悩まされている。 本稿では,複合度と微粒度を同時に評価するためのコンピュータ支援型診断手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T19:59:13Z)
• Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale Deep Convolutional Neural Network [8.950918531231158]
  本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。 提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
  論文  参考訳（メタデータ） (2021-06-27T17:29:46Z)
• Automated Detection of Patellofemoral Osteoarthritis from Knee Lateral View Radiographs Using Deep Learning: Data from the Multicenter Osteoarthritis Study (MOST) [3.609538870261841]
  本論文では,PFOA(Automatic Patello大腿骨関節症)検出法を提案する。 膝側方X線写真から乳頭領域を訓練した深層学習モデルでは、患者特性や臨床評価に基づくモデルよりもPFOAの予測が優れています。
  論文  参考訳（メタデータ） (2021-01-12T08:37:55Z)
• Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
  完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。 この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。 ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
  論文  参考訳（メタデータ） (2020-11-14T12:50:32Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。