論文の概要: From Pixels to Newtons: Predicting In Vivo Joint Contact Forces from Monocular Video

• arxiv url: http://arxiv.org/abs/2606.06631v1
• Date: Thu, 04 Jun 2026 18:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.40461
• Title: From Pixels to Newtons: Predicting In Vivo Joint Contact Forces from Monocular Video
• Title（参考訳）: PixelsからNewtons:単眼ビデオからの接触力予測
• Authors: Jessy Lauer,
• Abstract要約: 非校正モノクロビデオから即時3次元股関節・膝関節接触力を予測する物理自由パイプラインを提案する。 パラメトリックボディメッシュはフレーム毎に復元され、キネティックな特徴として符号化され、トランスフォーマーによって強制的にデコードされる。 このパイプラインは、関節ローディングを推定するための実行可能なモダリティとして、未校正単眼ビデオを確立する。
• 参考スコア（独自算出の注目度）: 0.6768558752130311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Joint contact forces govern implant longevity, cartilage health, and rehabilitation outcomes, shaping who develops osteoarthritis, who recovers well from joint replacement, and who benefits from biomechanical interventions. Yet they remain measurable only invasively, in a few dozen patients with instrumented implants. I present a physics-free pipeline to predict instantaneous 3D hip and knee contact forces from an uncalibrated monocular video: no markers, force plates, electromyography, subject-specific imaging, or musculoskeletal model. Parametric body meshes are recovered per frame, encoded as kinematic features, and decoded into forces by a transformer whose pose stream is adaptively modulated at every layer by body shape, joint, side, activity text, and self-supervised video tokens (V-JEPA 2), unifying hip and knee in a single model. Under leave-one-subject-out cross-validation across 26 patients and 25 activity categories from the in vivo OrthoLoad database, the pipeline matches the accuracy of subject-specific musculoskeletal simulations ($0.32 \pm 0.08$ BW RMSE for hip; $0.23 \pm 0.03$ BW for knee) and resolves peak force changes smaller than those reported for gait retraining and osteoarthritis progression. Applied zero-shot to an independent instrumented cohort, it rivals or outperforms prior published methods. Even without curated activity labels, video features alone preserve accuracy and enable end-to-end inference on raw footage. Driven by the predictor, a generative motion prior produces biomechanically plausible variants with reduced peak loading, rediscovering strategies from the predictive simulation literature. This pipeline establishes uncalibrated monocular video as a viable modality for estimating joint loading, opening a path toward retrospective analysis of archived clinical recordings, primary-care screening, and at-home rehabilitation tracking.
• Abstract（参考訳）: 関節接触力はインプラント長寿、軟骨の健康、リハビリテーションの結果を管理し、変形性関節症を発症し、関節置換から回復し、生体機械的介入の恩恵を受ける。 しかし、機器を装着した数十人の患者では、侵襲的にのみ測定可能である。 筋電図,筋電図,被検体特異的イメージング,筋骨格モデルなど,非校正単眼ビデオから即時3次元股関節・膝関節接触力を予測する物理自由パイプラインを提案する。 パラメトリックボディーメッシュをフレーム毎に回収し、キネマティックな特徴として符号化し、各層にポーズストリームを適応的に変調したトランスフォーマーによって、ボディ形状、関節、側面、活動テキスト、および自己監督型ビデオトークン(V-JEPA2)により、単一のモデルでヒップと膝を統一する。 In vivo OrthoLoadデータベースから得られた26の患者と25のアクティビティーカテゴリで、このパイプラインは、腰の筋骨格シミュレーション(0.32 \pm 0.08$ BW RMSE; $0.23 \pm 0.03$ BW)の精度と一致し、歩行訓練や変形性関節炎進行の報告よりも小さなピーク力変化を解消する。 ゼロショットを独立した計器コホートに適用し、事前に公表された手法に匹敵する、あるいは優れる。 キュレートされたアクティビティラベルがなくても、ビデオ機能は正確さを保ち、生の映像に対するエンドツーエンドの推論を可能にする。 予測器によって駆動される生成運動は、ピーク負荷を減らし、予測シミュレーション文献から戦略を再発見する生体力学的に妥当な変種を生成する。 このパイプラインは、関節ローディングを推定し、アーカイブされた臨床記録の振り返り分析、プライマリケアスクリーニング、在宅リハビリテーション追跡への道を開くための実行可能なモダリティとして、未調整の単眼ビデオを確立する。

関連論文リスト

• Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
  SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。 内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
  論文  参考訳（メタデータ） (2026-03-31T16:31:25Z)
• Patient4D: Temporally Consistent Patient Body Mesh Recovery from Monocular Operating Room Video [9.229366844390803]
  患者4Dはステーションに拘束された再建パイプラインであり、以前の固定性を利用する。 患者4Dは0.75の平均IoUを達成し、最高のベースラインに比べて故障フレームを30.5%から1.3%に削減した。 本研究は, 臨床ARシナリオにおいて, 固定性前駆体を利用したモノクローナル再構築を著しく改善できることを示唆するものである。
  論文  参考訳（メタデータ） (2026-03-17T22:10:55Z)
• Scalable Injury-Risk Screening in Baseball Pitching From Broadcast Video [2.994962964425238]
  放送映像から臨床的に関連のある18のバイオメカニクス指標を回収する単眼ビデオパイプラインを提案する。 提案手法はDreamPose3Dをベースとして,骨盤軌道を回復するドリフト制御のグローバルリフトモジュールを導入する。 これらの指標をケガ予測に用いた自動スクリーニングモデルは、トミー・ジョン手術のAUC 0.811と、7,348ピッチャーの腕の重傷の0.825を達成している。
  論文  参考訳（メタデータ） (2026-03-05T06:38:32Z)
• UniSurg: A Video-Native Foundation Model for Universal Understanding of Surgical Videos [81.9180187964947]
  我々は,学習パラダイムを画素レベルの再構成から潜在動作予測に移行する基礎モデルUniSurgを提案する。 大規模な事前トレーニングを可能にするため,13の解剖学的領域にわたる50源からの3,658時間の動画を含む,これまでで最大規模の手術用ビデオデータセットをキュレートした。 これらの結果は、UniSurgを、ユニバーサルでモーション指向の外科的ビデオ理解の新しい標準として確立している。
  論文  参考訳（メタデータ） (2026-02-05T13:18:33Z)
• Bridging Structural Dynamics and Biomechanics: Human Motion Estimation through Footstep-Induced Floor Vibrations [2.7180946990643466]
  既存のアプローチには、カメラ、ウェアラブル、圧力マットなどの監視デバイスが含まれる。 歩行誘発床振動を利用して下肢関節運動を推定する。 本モデルでは,身体と床間の情報共有を可能とし,不確実性を低減するために物理的制約を課す。
  論文  参考訳（メタデータ） (2025-02-21T20:10:15Z)
• VidSole: A Multimodal Dataset for Joint Kinetics Quantification and Disease Detection with Deep Learning [10.033899828022525]
  関節内装は変形性膝関節症などの歩行関連疾患の診断に重要である。 足下の5つの高圧点の3軸力とモーメントを測定した。 VidSoleは、これらのインソールによって測定された力とモーメントと、対応するRGBビデオで構成されている。
  論文  参考訳（メタデータ） (2025-01-28T15:18:00Z)
• Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG [24.608475386117426]
  本稿では,2つの歩行サイクルにインスパイアされた学習戦略を統合し,膝関節の軌道予測の課題を軽減するモデルを提案する。 異なるネットワークエンティティを通して学習することにより、モデルは共通の歩行特徴とパーソナライズされた歩行特徴の両方をキャプチャする。 実験結果から, 平均根平均二乗誤差(RMSE)を3.03度(0.49度), 50ms前後で予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-25T02:23:58Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of Articulated Motion [48.52403516006036]
  本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。 この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。 いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
  論文  参考訳（メタデータ） (2022-08-10T15:39:20Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。