Published March 14, 2022
| Version v1
Publication
Open
Prediction of Knee Prosthesis Using Patient Gender and BMI With Non-marked X-Ray by Deep Learning
- 1. Peking University
- 2. Peking University Third Hospital
Description
Total knee arthroplasty (TKA) is effective for severe osteoarthritis and other related diseases. Accurate prosthesis prediction is a crucial factor for improving clinical outcomes and patient satisfaction after TKA. Current studies mainly focus on conventional manual template measurements, which are inconvenient and inefficient.In this article, we utilize convolutional neural networks to analyze a multimodal patient data and design a system that helps doctors choose prostheses for TKA. To alleviate the problems of insufficient data and uneven distribution of labels, research on model structure, loss function and transfer learning is carried out. Algorithm optimization based on error correct output coding (ECOC) is implemented to further boost the performance.The experimental results show the ECOC-based model reaches prediction accuracies of 88.23% and 86.27% for femoral components and tibial components, respectively.The results verify that the ECOC-based model for prosthesis prediction in TKA is feasible and outperforms existing methods, which is of great significance for templating.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
رأب مفصل الركبة الكلي (TKA) فعال في الفصال العظمي الحاد والأمراض الأخرى ذات الصلة. يعد التنبؤ الدقيق بالأطراف الاصطناعية عاملاً حاسماً لتحسين النتائج السريرية ورضا المرضى بعد إجراء تقويم الكلي. تركز الدراسات الحالية بشكل أساسي على قياسات القوالب اليدوية التقليدية، والتي تكون غير مريحة وغير فعالة. في هذه المقالة، نستخدم الشبكات العصبية الالتفافية لتحليل بيانات المريض متعددة الوسائط وتصميم نظام يساعد الأطباء على اختيار الأطراف الاصطناعية لـ TKA. للتخفيف من مشاكل عدم كفاية البيانات والتوزيع غير المتكافئ للملصقات، يتم إجراء بحث حول هيكل النموذج ووظيفة الخسارة وتعلم النقل. يتم تنفيذ تحسين الخوارزمية بناءً على ترميز الخرج الصحيح للخطأ (ECOC) لزيادة تعزيز الأداء. تظهر النتائج التجريبية أن النموذج القائم على ECOC يصل إلى دقة التنبؤ بنسبة 88.23 ٪ و 86.27 ٪ لمكونات الفخذ ومكونات الظنبوب، على التوالي. تتحقق النتائج من أن النموذج القائم على ECOC للتنبؤ بالأطراف الاصطناعية في TKA ممكن ويتفوق على الطرق الحالية، وهو أمر ذو أهمية كبيرة للقوالب.Translated Description (French)
L'arthroplastie totale du genou (ATG) est efficace pour l'arthrose sévère et d'autres maladies connexes. La prédiction précise des prothèses est un facteur crucial pour améliorer les résultats cliniques et la satisfaction des patients après l'ACT. Les études actuelles se concentrent principalement sur les mesures manuelles conventionnelles de modèles, qui sont peu pratiques et inefficaces. Dans cet article, nous utilisons des réseaux neuronaux convolutionnels pour analyser les données d'un patient multimodal et concevoir un système qui aide les médecins à choisir des prothèses pour l'ATK. Pour pallier les problèmes de données insuffisantes et de répartition inégale des étiquettes, des recherches sur la structure du modèle, la fonction de perte et l'apprentissage par transfert sont menées. L'optimisation de l'algorithme basée sur le codage de sortie corrigé des erreurs (ECOC) est mise en œuvre pour améliorer encore les performances. Les résultats expérimentaux montrent que le modèle basé sur l'ECOC atteint des précisions de prédiction de 88,23 % et 86,27 % pour les composants fémoraux et les composants tibiaux, respectivement. Les résultats vérifient que le modèle basé sur l'ECOC pour la prédiction des prothèses dans TKA est réalisable et surpasse les méthodes existantes, ce qui est d'une grande importance pour la modélisation.Translated Description (Spanish)
La artroplastia total de rodilla (ATR) es eficaz para la osteoartritis grave y otras enfermedades relacionadas. La predicción precisa de las prótesis es un factor crucial para mejorar los resultados clínicos y la satisfacción del paciente después de la ATR. Los estudios actuales se centran principalmente en las mediciones de plantillas manuales convencionales, que son inconvenientes e ineficientes. En este artículo, utilizamos redes neuronales convolucionales para analizar los datos multimodales de un paciente y diseñar un sistema que ayude a los médicos a elegir prótesis para ATR. Para aliviar los problemas de datos insuficientes y distribución desigual de etiquetas, se lleva a cabo una investigación sobre la estructura del modelo, la función de pérdida y el aprendizaje de transferencia. La optimización del algoritmo basada en la codificación de salida con corrección de errores (ECOC) se implementa para aumentar aún más el rendimiento. Los resultados experimentales muestran que el modelo basado en ECOC alcanza precisiones de predicción del 88,23% y 86,27% para los componentes femorales y los componentes tibiales, respectivamente. Los resultados verifican que el modelo basado en ECOC para la predicción de prótesis en ATR es factible y supera los métodos existentes, lo que es de gran importancia para la creación de plantillas.Files
pdf.pdf
Files
(1.4 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:77dc853cd35c51ec59cde0f1156848dc
|
1.4 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بالركبة الاصطناعية باستخدام جنس المريض ومؤشر كتلة الجسم مع الأشعة السينية غير الموسومة من خلال التعلم العميق
- Translated title (French)
- Prédiction de la prothèse de genou en utilisant le sexe et l'IMC du patient avec des rayons X non marqués par apprentissage en profondeur
- Translated title (Spanish)
- Predicción de prótesis de rodilla utilizando el sexo y el IMC del paciente con rayos X no marcados mediante aprendizaje profundo
Identifiers
- Other
- https://openalex.org/W4220669513
- DOI
- 10.3389/fsurg.2022.798761
References
- https://openalex.org/W1502235192
- https://openalex.org/W1676820704
- https://openalex.org/W1857319311
- https://openalex.org/W1981401636
- https://openalex.org/W1988623799
- https://openalex.org/W2034198076
- https://openalex.org/W2054496749
- https://openalex.org/W2067191022
- https://openalex.org/W2070801502
- https://openalex.org/W2097987924
- https://openalex.org/W2171629518
- https://openalex.org/W2194775991
- https://openalex.org/W2226145568
- https://openalex.org/W2318271817
- https://openalex.org/W2554391432
- https://openalex.org/W2736109076
- https://openalex.org/W2736637192
- https://openalex.org/W2746041597
- https://openalex.org/W2770310769
- https://openalex.org/W2803124023
- https://openalex.org/W2887031790
- https://openalex.org/W2908201961
- https://openalex.org/W2963202012
- https://openalex.org/W3028861137
- https://openalex.org/W3029724277
- https://openalex.org/W4255421341
- https://openalex.org/W4300021688
- https://openalex.org/W4328027125