Model Tabanlı Poz Tahmini Geliştirme ve Yeni Kullanıcı Eğitimi için Biplanar Videoradyografi Veri Seti

Bu çalışma, işaretleyici tabanlı yöntemlerle tahmin edilen kemik pozları ile in vivo bir veri seti sunmaktadır. Buraya, operatörleri model tabanlı poz tahmini için ilk tahminlerini iyileştirme ve operatörler arası değişkenliği azaltma konusunda eğitmek için bir yöntem dahil edilmiştir.

Küçük ayak kemiklerinin hareketini ölçmek, patolojik fonksiyon kaybını anlamak için kritik öneme sahiptir. Biplanar videoradyografi, in vivo kemik hareketini ölçmek için çok uygundur, ancak her bir kemiğin rotasyonunu ve translasyonunu (pozunu) tahmin ederken zorluklar ortaya çıkar. Kemiğin duruşu tipik olarak işaretleyici veya model tabanlı yöntemlerle tahmin edilir. Belirteç tabanlı yöntemler son derece doğrudur, ancak invaziv olmaları nedeniyle in vivo olarak nadirdir. Model tabanlı yöntemler daha yaygındır, ancak kullanıcı girişine ve laboratuvara özgü algoritmalara dayandıkları için şu anda daha az doğrudur. Bu çalışma, koşu ve atlama sırasında işaretleyici tabanlı yöntemlerle ölçülen kalkaneus, talus ve tibia pozlarının nadir bir in vivo veri setini sunmaktadır. Kullanıcıları, işaretçi tabanlı görsel geri bildirim kullanarak model tabanlı poz tahmin yazılımına ilk tahminlerini iyileştirmeleri için eğitmek için bir yöntem dahil edilmiştir. Yeni operatörler, model tabanlı yazılımın uzman bir kullanıcısına benzer şekilde, işaretleyici tabanlı pozun 2° dönüşü ve 1 mm'lik ötelemesi içinde kemik pozlarını tahmin edebildiler ve daha önce bildirilen operatörler arası değişkenliğe göre önemli bir gelişmeyi temsil ettiler. Ayrıca, bu veri kümesi diğer model tabanlı poz tahmin yazılımlarını doğrulamak için kullanılabilir. Sonuç olarak, bu veri setini paylaşmak, kullanıcıların iki düzlemli videoradyografiden kemik pozlarını ölçebilme hızını ve doğruluğunu artıracaktır.

Küçük ayak kemiklerinin hareketini ölçmek, patolojik fonksiyon kaybını anlamak için kritik öneme sahiptir. Bununla birlikte, dinamik ayak kemiği hareket ölçümü, kemiklerin ve eklemlerin küçük boyutu ve yoğun şekilde paketlenmiş konfigürasyonu nedeniyle zordur ^1,2. Biplanar videoradyografi (BVR) teknolojisi, dinamik aktiviteler sırasında ayak ve ayak bileğinin küçük kemiklerinin in vivo üç boyutlu (3D) hareketini ölçmek için çok uygundur. BVR, dinamik hareket x-ışınlarını görünür ışığa dönüştüren görüntü yoğunlaştırıcılara bağlı iki x-ışını kaynağı kullanarak artro-kinematik hakkında bilgi sağlar. Ayak yakalama hacminde hareket ederken, yüksek hızlı kameralar görüntüleri yakalar. Görüntüler bozulmaz ve kalibre edilmiş kamera konumları ^3,4 kullanılarak yakalama hacmine yansıtılır. Altı serbestlik derecesi (6 d.o.f.) kemik pozu (pozisyon için 3 d.o.f. ve oryantasyon için 3 d.o.f.) daha sonra işaretleyici tabanlı veya model tabanlı yöntemler³ kullanılarak tahmin edilir.

Belirteç veya model tabanlı poz tahmin yöntemleri laboratuvarlar ve disiplinler arasında farklılık gösterir. Dinamik BVR poz ölçümünün altın standardı, küçük tantal belirteçlerin ilgilenilen kemiğe^implante edilmesidir ^4,5. Pozu tahmin etmek için kemik başına en az üç işaretleyici gereklidir ve ek işaretler daha yüksek doğruluğa yol açar ^5,6. Bu yöntem, cerrahi implantasyon gerektirdiğinden invaziv olması nedeniyle in vivo olarak daha az yaygındır ve belirteçler daha sonra kemiğe kalıcı olarak gömülür⁷. Alternatif olarak, model tabanlı izleme, modeli BVR görüntüleri 2,3,8,9,10,11,12,13,14,15 üzerinde yeniden oluşturmak için bilgisayarlı tomografi (BT) veya manyetik rezonans görüntüleme gibi diğer görüntüleme modalitelerinden gelen hacimsel bilgileri kullanır . Model daha sonra, tipik olarak ilk tahmin olarak kullanıcı girişinin ve çapraz korelasyon optimizasyonunun bir kombinasyonu kullanılarak, görüntülerle en iyi şekilde eşleşmesi için yarı manuel olarak manipüle edilir (rotoskop) ve çapraz korelasyon optimizasyonu 3,8,9,10,15. Model tabanlı poz tahmini daha az invazivdir ve bu nedenle daha yaygındır, ancak daha uzun bir işlem süresine sahiptir ve kullanıcı girişi gerektirir. Rotoskop işlemi şu anda yarı manuel olduğundan, operatörler arası kök ortalama kare (RMS) hataları tek bir eksen boyunca veya yaklaşık olarak 0,83 mm ila 4,96 mm ve 0,58° ila 10,29° arasında değişebileceğinden, operatörleri laboratuvara özel yazılımda güvenilir bir şekilde eğitme ihtiyacı devam etmektedir¹. Ayrıca, model eşleştirme algoritmaları gelişmektedir, ancak in vivo koşullara mümkün olduğunca yakın olan deneysel paradigmaların kullanılması gerekmektedir.

Model tabanlı poz tahminlerinin doğruluğu genellikle işaretleyici tabanlı metriklere göre değerlendirilir. Örneğin, işaretleyicilerle implante edilen insan kadavra ayakları, simüle edilmiş hareket pozisyonları ^13,14,16 boyunca hareket ettirilmiştir. Yakalanan BVR görüntüleri daha sonra model tabanlı rotoskop yöntemine beslenir ve doğruluk (önyargı ve hassasiyet) için işaretleyici tabanlı ölçümlerle karşılaştırılır. Statik kadavra ayağının kullanılması değerli bir yaklaşım olsa da, gerçek in vivo kemik pozu doğruluğunu değerlendirmede sınırlamaları vardır. Örneğin, kas aktivitesinin olmadığı ve in vivo yüklerin olduğu bir kadavra ayağında eklem pozisyonları nispeten sabittir. Bu nedenle, çeşitli lokomotor görevlerde eklem hareketinin sınırlarını temsil etmeyebilir. Eklem duruşundaki farklılıklar, BVR görüntülerindeki tıkanıklığı değiştirir, bu da küçük, yoğun şekilde paketlenmiş ayak kemiği pozlarını tahmin ederken bir ölçüm hatası kaynağıdır¹³. Ayrıca, görüntü eşleştirme algoritmaları kullanılırken, BVR görüntülerinde işaretçilerin varlığı muhtemelen sonuçları saptıracaktır. Gruplar bilgisayarlı tomografi (BT) dijital görüntüleme ve tıpta iletişim (DICOM) görüntülerinden belirteçleri çıkarmış olsa da ^9,14,16, ^sadece bazen iki düzlemli videoradyografi görüntülerinden^{de çıkarılır 16}.

Bu çalışma, ayak ve ayak bileği kemiklerine implante edilmiş belirteçleri olan, in vivo olarak zıplayan ve koşan bir katılımcının açık kaynaklı bir BVR veri setini sunmaktadır (Şekil 1). Tibia, talus ve kalkaneusun in vivo kemik hareketi için işaretleyici tabanlı poz tahmini sağlanır. Modele dayalı izleme doğruluğunun değerlendirilmesi sırasında ortaya çıkan herhangi bir yanlılığı sınırlamak için belirteçler hem röntgen hem de BT görüntülerinden çıkarıldı. Bu veri seti, herhangi bir model tabanlı poz tahmin yazılımının doğruluğunu değerlendirmek ve yarı manuel işlemler için ilk poz tahminlerinin seçimini geliştirmek için tasarlanmıştır. BVR görüntü işleme hattının hızını ve doğruluğunu artırmayı hedefleyen kişiler ve ilk poz tahmininde operatörler arası değişkenliğin düşük olmasını isteyen laboratuvarlar için en uygunudur.

Şekil 1: Sağlanan iki düzlemli videoradyografi (BVR) veri setine genel bakış. İmplante edilen belirteçler, kemik pozu tahmini için altın standart olarak in vivo olarak izlenir. Model tabanlı izlemede yanlılığı önlemek için belirteçler BVR görüntülerinden ve bilgisayarlı tomografi taramalarından dijital olarak çıkarıldı. Herhangi bir model tabanlı izleme yazılımından tahmin edilen pozlar, işaretleyici tabanlı izlemenin altın standardı ile karşılaştırılabilir. İşaretleyici tabanlı poz tahmini, model tabanlı izleme için ilk kemik pozu tahminlerini iyileştirmeleri için yeni operatörleri eğitmek için de kullanılabilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Deneysel protokoller Queen's Üniversitesi Sağlık Bilimleri ve Bağlı Eğitim Hastaneleri Araştırma Etik Kurulu tarafından onaylandı. Katılımcı, veri toplamaya katılmadan önce bilgilendirilmiş onay verdi.

1. Hasta hazırlığı ve veri seti oluşturma

NOT: Katılımcının (erkek, 49 yaş, 83 kg, 1.75 m boyunda) daha önce kalkaneus (3 işaret), talus (4 işaret) ve tibia (5 belirteç; Şekil 1).

1. 0,500 mm veya daha az piksel boyutu ve 0,625 mm veya daha az dilim kalınlığı ile maksimum plantarfleksli ayak bileği duruşunda katılımcının ayağında metal artefakt azaltma algoritması (metal implantlardan kaynaklanan görüntü bozulmasını azaltmak için) ile bir BT taraması yapın.
   NOT: Burada katılımcının sağ ayağı 0.441 mm x 0.441 mm x 0.625 mm çözünürlükte taranmıştır. Belirteçlerin konumları kemik içindeki belirli anatomik konumlara^{yerleştirilmez 4}; bunun yerine, kemik⁵ boyunca dağıtılırlar.
2. Biplanar videoradyografi toplama ve verileri ayrıntılı olarak işleme yöntemleri için bkz.¹⁷. Kısaca, katılımcıdan, ayakları iki düzlemli videoradyografi hacmine inecek şekilde küratörlüğünü yaptığı başlangıç pozisyonuyla istenen hareketi tamamlamasını isteyin. Kameraları bulmak ve görüntülerin bozulmasını gidermek için sırasıyla bir kalibrasyon nesnesi ve bozulmayı önleyen ızgaralar kullanın¹⁸.
   NOT: Bu çalışmaya katılan kişi iki farklı hareketin denemelerini tamamlamıştır. 108 bpm'de bir metronoma atladılar ve ses seviyesinde yavaşça koştular. Görüntüler 1111 μs enstantane hızıyla 250 Hz'de sürekli olarak yakalandı ve x-ray sistemi 70 kV ve 100 mA'ya ayarlandı.
3. 3D medikal görüntü işleme yazılımını kullanarak işaretleyicileri ayrı ayrı segmentlere ayırın. Raster grafik düzenleyicisindeki içeriğe duyarlı dolgu algoritmasını ve bilinen işaretleyici konumlarını kullanarak, DICOM görüntülerinden işaretleyicileri kaldırın. ^17'de gösterildiği gibi işaretleyicisiz görüntülerin segmentasyonunu yaparak kemik kısmi hacimlerini ve mozaikli ağları oluşturun. Hem kısmi hacimleri hem de ağları hizalayın ve bunları CT alanında saklayın.
4. Her kare için, XMALab'deki her işaretçinin filtrelenmemiş xy görüntü koordinatlarını tablo haline getirin ve^{dışa aktarın 18}. MATLAB'daki görüntü işleme araç kutusunu kullanarak 3B koordinatları üçgenleyin. En küçük kareler yaklaşımını kullanarak x-ışını alanındaki 3B işaretleyici konumlarını CT alanındaki küreye uygun merkezlerle eşleştirerek pozu tahmin edin¹⁹. X-ray görüntülerindeki işaretçileri izlemeye hazırlamak üzere kaldırmak için raster grafik düzenleyicisinde aynı algoritmayı kullanın.

2. Veri kümesine ve koda erişin

1. Veri setini buradan indirin. Her deneme için BVR görüntüleri ve kalibrasyon dosyalarının yanı sıra .tra formatında kaydedilmiş referans poz tahminleri vardır (Şekil 2). Kod paketini şuradan indirin/klonlayın: https://github.com/skelobslab/JOVE_BVR_FootModelAndMarkerBased.

Şekil 2: JOVE_BVR_Foot_ModelAndMarkerBased eğitim paketinin veri ağacı. Klasörler siyah kutularda, kod açık gri kutularda ve dosya açıklamaları koyu gri kutularda gösterilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

3. Model izleme algoritmasının doğruluğunu değerlendirin

1. Poz tahminlerini denemenin referans klasörüne bir .tra dosyası olarak kaydedin. .tra dosyasını, her satır çerçeveye karşılık gelen ve 4 x 4 poz matrisi [ilk sütun, ikinci sütun, üçüncü sütun ve dördüncü sütun] olarak yazılacak şekilde, 1 satır x 16 sütun biçiminde yazılmış poz ile kemik alanından x-ışını alanına kadar düzenleyin.
   NOT: Kemik alanı, bu veri setindeki BT alanı ile eş anlamlıdır.
2. Bilgi işlem platformunda verifyAssessmentPoses.m betiğini açıp Çalıştır'a tıklayarak poz tahminlerini doğrulayın. Dosyaları istemlerde açıklandığı gibi yükleyin. Komut dosyası, model ve işaretçi tabanlı poz tahmini arasındaki sarmal ekseni hesaplar ve izlenen verilerin her çerçevesi için bir döndürme ve çevirme farkı döndürür.

4. Yeni operatör eğitimi

NOT: Bu bölüm, yeni bir operatör için geri bildirim içeren eğitimi açıklamaktadır. Burada, Autoscoper seçilen model tabanlı poz tahmin yazılımıdır, ancak başka bir yazılım yedek olarak kullanılabilir.

1. Poz tahmin yazılımının en son sürümünü şu adresten indirin: https://simtk.org/projects/autoscoper.
2. Yerel BVR dosyalarını bulmak için dosyayı bir metin düzenleyicide açın (.\JOVE_BVR_Foot_ModelAndMarkerBased\Data\SOL001A\T0019_jog0001\Autoscoper\POINTER_T0019_jog001.cfg). Yazılım, dosyaları bulmak için bir işaretçi dosyası (.cfg) kullanır. Dizinleri uygun yerel dosyalara yönlendirecek şekilde değiştirin. Dosyayı kaydedin ve kapatın.
3. BVR görüntülerini ve kamera bilgilerini yüklemek için poz tahmin yazılımını açın ve Deneme Sürümünü Yükle'ye tıklayın. Önceki adımda kaydedilen işaretçi yapılandırma dosyasına gidin ve Aç'ı tıklatın.
4. İzlemek için Akhbari ve ark.^17'deki (model tabanlı izleme) protokolü izleyin. Kısacası, kalkaneusun konumundan ve yönünden memnun kalana kadar kemik üzerindeki eksenleri tıklayıp sürükleyerek kemiği döndürün ve çevirin. Calcaneus (cal) için geçerli kareyi kaydetmek üzere klavyedeki S tuşuna basın.
   NOT: Filtre ayarları, Akhbari et al^17'de gösterildiği gibi filtreleme için kullanılabilen \JOVE_BVR_Foot_ModelAndMarkerBased\Data\SOL001A\T0019_jog0001\Autoscoper\ içinde bulunur.
5. Dosyaları kaydetmek için, İzlemeyi Kaydet'i tıklatın. Dosyayı [Deneme numarası]_[Konu Numarası]_[Deneme adı]_[3 harfli kemik kodu].tra (örn. T0019_SOL001A_jog0001_cal.tra) olarak istediğiniz dizin altına kaydedin. Ayarları geçerli, matris, sütun, virgül, yok, mm, derece olarak dışa aktarın.
   NOT: Tibia ve talus için üç harfli kemik kodları sırasıyla tib ve tal'dir.
6. İzleme doğruluğu için dosyalar oluşturmak üzere bilgi işlem platformunu açın ve kod klasöründe animateBonesWithReferences.m komut dosyasını çalıştırın. İletişim kutuları tarafından istenen eğitim paketi içindeki klasörlere gidin.
   NOT: animateBonesWithReferences.m kodu, yeni operatörün takibini iyileştirmek için işaretçi tabanlı verilerden pozları geri bildirim olarak sağlayan eğitim için özel bir koddur.
7. Görselleştirme yazılımını şuradan yükleyin: https://github.com/DavidLaidlaw/WristVisualizer/tree/master. İzlemeyi görselleştirmek için, görselleştirme yazılımında adım 4.6'da oluşturulan .pos dosyasını açın; Dosya konumu, bilgi işlem platformunun komut penceresinde olacaktır.
8. İzlenen kemiğin (gri) referans kemikle hizalandığını doğrulayın. Yeşil renk, pozun döndürme ve öteleme eşikleri içinde olduğunu, kırmızı renk ise eşiğin dışında olduğunu gösterir. Tüm kareler yeşil olana kadar izlemeye ve görselleştirmeye devam edin. Gerekirse, animateBonesWithReferences.m betiğinin 10. ve 11. satırlarındaki eşikleri (phi - döndürme, trans - çeviri) değiştirin.
   NOT: Referans kemiği kırmızıysa (Şekil 3A), sarmal eksen kullanılarak ölçüldüğü gibi, pozun işaretleyici tabanlı pozdan 1 mm veya 2°'den daha uzakta olduğu anlamına gelir. Yeşilse ve görsel olarak makulse, bu çerçeve yeterince iyi izlenir (Şekil 3B).
9. Ayak bileği kompleksindeki diğer kemikleri izlemek için, talus ve tibia için 4.4 ila 4.8 arasındaki adımları tekrarlayın. Kemiklerin çarpışmadığından emin olmak için görselleştirme yazılımını kullanın.
10. Değerlendirmeyi tamamlamak için, değerlendirme denemesi adı verilen denemede tibia, talus ve kalkaneusu izleyin ve görselleştirin.
    1. Bilgi işlem platformunu açın ve animateBonesGeneral.m kodunu çalıştırın. İletişim kutuları tarafından istenen eğitim paketi içindeki klasörlere gidin. Görselleştirme yazılımındaki .pos dosyasını kullanarak kemik pozlarını doğrulayın. Bu kod, kemiklerin 3D görselleştirilmesi için yapılan diğer denemelere genelleştirilebilir.
       NOT: Gerçek, işaretleyici tabanlı poz artık kullanılamayacaktır. Sadece gri kemikler mevcut olacak.
11. Poz tahminlerini değerlendirmek için, bilgi işlem platformunda verifyAssessmentPoses.m betiğini açın ve Çalıştır'a tıklayın. Komut dosyası, model ve işaretçi tabanlı poz tahmini arasındaki sarmal ekseni hesaplar ve izlenen verilerin her çerçevesi için bir döndürme ve çevirme farkı döndürür. Bu, animateBoneswithReferences.m dosyasındaki grafiğin aynısını oluşturur ancak bir animasyon oluşturmaz.
12. Tüm veri noktalarının hem döndürme hem de çevirme için seçilen eşiğin (düz çizgi) altında olduğunu doğrulayın. Gerekirse sonuçları .csv bir dosyaya kaydedin.

Şekil 3: Kabul edilebilir ve kabul edilemez izlemenin görselleştirilmesi. (A) İşaretleyici tabanlı poz tahminindeki pozla yeterince eşleşmeyen model tabanlı izleme (gri; gri okla da gösterilir) kullanılarak izlenen kalkaneus kemiği (kırmızı; ayrıca kırmızı okla gösterilir). (B) İşaretleyici tabanlı poz tahminindeki pozla yeterince eşleşen Calcaneus. Sonuç olarak, işaretçi izlemeli kalkaneus yeşil renkle gösterilir (ayrıca gri ve yeşil oklarla da gösterilir). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

İki yeni operatör ve bir uzman, model tabanlı eğitimi tamamladı. Değerlendirme denemesinin 41 çerçevesi, model tabanlı izlemelerinin yeterliliğini ölçtü (Şekil 4). Operatörlerin poz tahminleri tipik olarak belirlenen eşiklerin oldukça altındaydı. Kemikler arasında rotasyondaki ortalama medyan önyargı (aralık) kalkaneus için 0.75 ° (0.69 ° ila 0.85 °), talus için 0.40 ° (0.37 ° ila 0.46 °) ve tibia için 0.89 ° (0.76 ° ila 1.07 °) idi. Ortalama medyan translasyon yanlılığı kalkaneus için 0.10 mm (0.05 mm ila 0.16 mm), talus için 0.31 mm (0.22 mm ila 0.41 mm) ve tibia için 0.33 mm (0.27 mm ila 0.37 mm) idi. Bu sonuçlar, eğitimin operatörleri belirli bir tolerans dahilinde eğitmede etkili olduğunu göstermektedir.

Şekil 4: Yeni operatörler ve bir uzman için rotasyon ve çeviri yanlılığı. Keman çizimleri²⁰, (A)(B) kalkaneus, (C)(D) talus ve (E)(F) tibia için iki yeni operatör ve bir uzman için model tabanlı ve işaretleyici tabanlı poz tahminleri arasında (A)(C)(E) rotasyon ve (B)(D)(F) ötelemede sapma gösteriyor. Değerlendirme denemesinin 41 karesinin tümü, medyan (beyaz daire), çeyrekler arası aralık (kalın dikey çizgi) ve ortalama (kalın yatay çizgi) ile veri noktaları olarak gösterilir. 2° ve 1 mm'deki siyah çizgi, seçilen eşikleri temsil eder. (E) içindeki Yeni Operatör 2 eşiğinin dışındaki altı kare gösterilmez. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Yeni bir operatör, kaval kemiği takibinde 2° dönüş eşiğinin üzerinde altı kareye sahipti. Çerçeveler, verifyAssessmentPoses.m'de oluşturulan grafiklerden biri kullanılarak tanımlandı (Şekil 5). Bu altı karenin izlenmesi, diğer ayağın görüş alanında sallanarak kaval kemiğini tıkaması nedeniyle daha zordur.

Şekil 5: Duruş aşaması üzerindeki her kare için dönüş yanlılığı. (A) kalkaneus, (B) talus ve (C) tibia için koşunun duruş aşamasının bir kısmı boyunca ikinci yeni operatörün rotasyon takibi örneği. Not: (C) içindeki kırmızı kutu, yüksek hatalara sahip kareleri gösterir. (D) Solda, temsili bir resim, anterior tibianın turuncu ve mavi çizgilerinin hizalanmasındaki yaklaşık farkı gösterir (turuncu ve siyah oklarla gösterilir). Sağdaki resim, iyi izlenen bir tibia örneğini göstermektedir (beyaz okla gösterilir). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Dosya. Bu dosyayı indirmek için lütfen buraya tıklayın.

Doğru model tabanlı poz tahmini, artrokinematik ve iskelet hareketini ölçmek için esastır. Poz tahmini için önceki doğrulama yöntemleri, in vivo yükleme ve eklem hareket aralıkları olmadan, implante edilmiş belirteçlere sahip kadavra örneklerine dayanıyordu. İşaretleyici tabanlı poz tahmini ile çalıştırma ve atlamaya ilişkin bu in vivo veri seti, model tabanlı algoritmaların doğrulanmasını sağlar. Ayrıca, veri kümesi, çoğu model tabanlı algoritma için gereken ilk tahminin belirli bir tolerans dahilinde olması ve operatörler arası değişkenliği azaltması için yeni operatörleri eğitmek üzere düzenlenmiştir. MATLAB kodu, kemiklerin canlandırılabilmesi ve poz kalitesinde geri bildirimin otomatik olarak oluşturulabilmesi için sağlanmıştır.

Yeni operatörler, 2° dönüş ve 1 mm öteleme toleransı dahilinde başarılı bir şekilde eğitildi. Bu sınırlar, 5 mm ve 10^°1 kadar büyük olabilen, bildirilen operatörler arası güvenilirlikten çok daha düşüktür. Bununla birlikte, seçilen toleranslar, diğer sağlam kadavra ayak deneylerinin RMS hatasından (0.59 mm ve 0.71 ° ¹⁶) 2 ila 4 kat daha yüksektir. Toleranslar, RMS hatasının üst düzey aralıklarını içerir, ancak yine de bildirilen operatörler arası değişkenliğe göre önemli bir gelişmeyi temsil eder. Ayrıca, in vivo koşullar, kemiklerin tıkanması, yumuşak doku ve x-ışını hacmi boyunca yüksek hızlı hareket artefaktları nedeniyle statik ayak duruşlarından daha zordur. Yeni operatörler, tolerans dahilinde denemeleri başarılı bir şekilde rotoskopla incelediler ve Şekil 5C'de gösterilen altı çerçeve dışında uzmanın sonuçlarına yakın oldular. Bu nedenle, ayarlanan tolerans, rapor edilen operatörler arası değişkenliğe göre bir gelişmeyi temsil eder ve sonuçlar, bu yöntemin yeni operatörleri bu tolerans dahilinde başarılı bir şekilde eğitebileceğini göstermektedir.

Bu protokoldeki kritik bir adım, seçilen yazılımda rotoskop ile 3D görselleştirme arasındaki yinelemedir. Bu yineleme, kemiklerin uzayda nasıl yönlendirildiğini anlamak için önemlidir. Operatörün, kemik pozlarının biyolojik olarak mümkün olup olmadığını ve diğer kemiklerle çarpışmadığını doğrulamasını sağlar. Rotoskop ve görselleştirme arasında sürekli geçiş yapmak, nihai kemik pozu tahminlerinin kalitesini artırır ve optimizasyon hatalarını yakalamaya yardımcı olur.

Değerlendirme denemesi başta olmak üzere eğitim seti, yeni operatörlerin sınırlarını zorlamak için zorlu takip senaryolarını içeriyor. Bu koleksiyondaki x-ışını kaynaklarının ve görüntü yoğunlaştırıcıların konumu, sallanan ayağın görüşleri kapatmasına neden olarak kemik modellerinin hizalanmasında zorluklar yarattı. Dönme eşiğinin üzerinde birkaç kare bulunan yeni operatör, görüşü engelleyen kontralateral ayaktan etkilendi. Filtre ayarlarını değiştirmek ve oklüzyondan hemen önce ve sonra çerçeveleri rotoskopla döndürmek gibi stratejiler bu sorunların azaltılmasına yardımcı olabilir. Ayrıca, koordinat sistemlerinin oryantasyonu, DICOM'lar ve poz tahmin yazılımı arasında yeterince farklılık gösterir ve bu da tibiada bir açı kaymasına neden olur. Operatörler bu zorluğun üstesinden gelmek için bu noktada her kareyi takip etmelidir. Bu senaryolar veri toplamada nadir değildir ve otomatik model tabanlı poz tahmininin gelecekte gezinmesi gereken zorlukları temsil eder ve bu nedenle bu veri kümesine değerli bir katkı sağlar.

Bu protokolle ilgili belirli sınırlamalar vardır. İlk olarak, işaretleyici tabanlı poz tahminini altın standart olarak ilan etmek tartışmalıdır, çünkü işaretleyici ve model tabanlı poz tahmini arasındaki doğruluk farkı tipik olarak farklı bir büyüklük sırası değildir ^2,3,10. Bununla birlikte, in vivo koleksiyonlarla ortaya çıkan BVR görüntülerindeki görsel değişikliklerin (yani hareket artefaktı, yumuşak doku ve kemik tıkanıklığı), işaretleyici tabanlı yöntemlere kıyasla model tabanlı poz tahmininde hatalara neden olma olasılığı daha yüksektir. Bu hipotezi doğrulamak için daha fazla deney yapılması gerekmektedir. Ek olarak, bu veri kümesi her iki düzlemli x-ışını koleksiyonunu yakalamaz. Kameraların yönü, kemikler farklı göreceli konumlarda olacak şekilde, kemik özelliğinin belirginliğini değiştirebilir ve buna bağlı olarak poz eşleştirme algoritmasının maliyet fonksiyonunu etkileyebilir. Ayrıca, bu özellikler görüntü filtresi ayarlarından^15,17 etkilenebilir. Bu nedenle, bu veri seti mutlaka BVR doğruluğunun genelleştirilebilir bir değerlendirmesi değildir. Bunun yerine, kullanıcıları uygun ilk poz tahminlerini girmeleri için eğitmek ve manuel rotoskoplu ilk tahminlere artık ihtiyaç kalmayana kadar model tabanlı poz tahmin algoritmalarını geliştirmek için bir araçtır.

Yazarların açıklanacak herhangi bir çıkar çatışması yoktur.

Bu çalışma, NSERC Keşif Hibesi (RGPIN/04688-2015) ve Ontario Erken Araştırmacı Ödülü tarafından finanse edilmiştir.