Biplanaire videoradiografiedataset voor modelgebaseerde ontwikkeling van pose-schatting en training van nieuwe gebruikers

Samenvatting

Dit werk presenteert een in vivo dataset met bothoudingen geschat met op markers gebaseerde methoden. Hier is een methode opgenomen om operators te trainen in het verbeteren van hun eerste schattingen voor modelgebaseerde pose-schatting en het verminderen van de variabiliteit tussen operators.

Samenvatting

Het meten van de beweging van de kleine voetbeenderen is van cruciaal belang voor het begrijpen van pathologisch functieverlies. Biplanaire videoradiografie is zeer geschikt om in vivo botbeweging te meten, maar er doen zich uitdagingen voor bij het schatten van de rotatie en translatie (pose) van elk bot. De houding van het bot wordt meestal geschat met behulp van marker- of modelgebaseerde methoden. Op markers gebaseerde methoden zijn zeer nauwkeurig, maar in vivo ongebruikelijk vanwege hun invasiviteit. Modelgebaseerde methoden komen vaker voor, maar zijn momenteel minder nauwkeurig omdat ze afhankelijk zijn van gebruikersinvoer en laboratoriumspecifieke algoritmen. Dit werk presenteert een zeldzame in vivo dataset van de calcaneus-, talus- en scheenbeenhoudingen, zoals gemeten met op markers gebaseerde methoden tijdens het rennen en springen. Er is een methode opgenomen om gebruikers te trainen om hun eerste gissingen te verbeteren in modelgebaseerde software voor het schatten van poses, met behulp van op markers gebaseerde visuele feedback. Nieuwe operators waren in staat om bothoudingen te schatten binnen 2° rotatie en 1 mm translatie van de op markers gebaseerde houding, vergelijkbaar met een deskundige gebruiker van de modelgebaseerde software, en een aanzienlijke verbetering ten opzichte van eerder gerapporteerde variabiliteit tussen operators. Verder kan deze dataset worden gebruikt om andere modelgebaseerde software voor het schatten van houdingen te valideren. Uiteindelijk zal het delen van deze dataset de snelheid en nauwkeurigheid verbeteren waarmee gebruikers bothoudingen kunnen meten aan de hand van biplanaire videoradiografie.

Inleiding

Het meten van de beweging van de kleine voetbeenderen is van cruciaal belang voor het begrijpen van pathologisch functieverlies. Het dynamisch meten van de botbeweging van de voet is echter een uitdaging vanwege het kleine formaat en de dicht opeengepakte configuratie van de botten en gewrichten ^1,2. Biplanaire videoradiografie (BVR)-technologie is zeer geschikt om de in vivo driedimensionale (3D) beweging van de kleine botten van de voet en enkel te meten tijdens dynamische activiteiten. BVR biedt inzicht in arthrokinematica door gebruik te maken van twee röntgenbronnen gekoppeld aan beeldversterkers, die röntgenstralen van dynamische beweging omzetten in zichtbaar licht. Terwijl de voet door het opnamevolume beweegt, leggen hogesnelheidscamera's de beelden vast. De beelden worden onvervormd en geprojecteerd in het opnamevolume met behulp van gekalibreerde cameraposities ^3,4. De bothouding van zes vrijheidsgraden (6 d.o.f.) (3 d.o.f. voor positie en 3 d.o.f. voor oriëntatie) wordt vervolgens geschat met behulp van markergebaseerde of modelgebaseerde methoden³.

De op markers of modellen gebaseerde methoden voor het schatten van houdingen variëren tussen laboratoria en disciplines. De gouden standaard voor dynamische BFR-houdingsmeting is de implantatie van kleine tantaalmarkers in het bot van belang ^4,5. Er zijn minimaal drie markers per bot nodig om de houding te schatten, waarbij extra markers leiden tot een hogere nauwkeurigheid ^5,6. Deze methode is in vivo minder gebruikelijk vanwege de invasiviteit, omdat er chirurgische implantatie nodig is en de markers vervolgens permanent in het bot worden ingebed⁷. Als alternatief maakt modelgebaseerde tracking gebruik van volumetrische informatie van andere beeldvormingsmodaliteiten, zoals computertomografie (CT) of magnetische resonantiebeeldvorming, om het model na te bootsen op de BVR-beelden 2,3,8,9,10,11,12,13,14,15 . Het model wordt vervolgens semi-handmatig gemanipuleerd om zo goed mogelijk overeen te komen met de afbeeldingen (rotoscoping), meestal met behulp van een combinatie van gebruikersinvoer als eerste schatting en kruiscorrelatieve optimalisatie 3,8,9,10,15. Modelgebaseerde pose-schatting is minder invasief en daarom gebruikelijker, maar heeft een langere verwerkingstijd en vereist input van de gebruiker. Aangezien het rotoscopingproces momenteel semi-handmatig is, blijft het nodig om operators op betrouwbare wijze te trainen in de laboratoriumspecifieke software, aangezien RMS-fouten (root mean square) tussen operators kunnen variëren van 0,83 mm tot 4,96 mm en 0,58° tot 10,29° langs of rond een enkele as¹. Verder verbeteren de algoritmen voor het matchen van modellen, maar moeten ze worden gevalideerd met behulp van experimentele paradigma's die zo dicht mogelijk bij de in vivo omstandigheden liggen.

De nauwkeurigheid van modelgebaseerde pose-schattingen wordt vaak beoordeeld aan de hand van op markers gebaseerde statistieken. Menselijke kadavervoeten die met markeringen zijn geïmplanteerd, zijn bijvoorbeeld verplaatst door gesimuleerde locomotorische posities 13,14,16. De vastgelegde BVR-beelden worden vervolgens ingevoerd in de modelgebaseerde rotoscopingmethode en vergeleken met de op markers gebaseerde metrieken voor nauwkeurigheid (bias en precisie). Hoewel het gebruik van een statische kadavervoet een waardevolle benadering is, heeft het beperkingen bij het beoordelen van de werkelijke in vivo nauwkeurigheid van de bothouding. De gewrichtsposities zijn bijvoorbeeld relatief constant in een kadavervoet met de afwezigheid van spieractiviteit en in vivo belastingen. Het is dus mogelijk dat het niet de grenzen van de gewrichtsbeweging vertegenwoordigt bij diverse locomotorische taken. Variaties in gewrichtshouding veranderen de occlusie in de BVR-beelden, wat een bron van meetfouten is bij het schatten van kleine, dicht opeengepakte voetbothoudingen¹³. Verder, bij het gebruik van algoritmen voor het matchen van afbeeldingen, zou de aanwezigheid van markeringen in de BVR-afbeeldingen de resultaten waarschijnlijk vertekenen. Hoewel groepen de markers hebben verwijderd uit de computertomografie (CT) digitale beeldvorming en communicatie in de geneeskunde (DICOM)^{beelden 9,14,16}, worden ze slechts af en toe ook verwijderd uit de biplanaire videoradiografiebeelden¹⁶.

Dit werk presenteert een open-source BVR-dataset van een deelnemer die in vivo huppelt en rent, bij wie markers in zijn voet- en enkelbotten zijn geïmplanteerd (Figuur 1). Op markers gebaseerde pose-schatting voor de in vivo botbeweging van het scheenbeen, de talus en de calcaneus wordt gegeven. De markeringen werden verwijderd uit zowel de röntgen- als de CT-beelden om eventuele vertekening te beperken die werd geïntroduceerd tijdens de beoordeling van de op modellen gebaseerde trackingnauwkeurigheid. Deze dataset is bedoeld voor het beoordelen van de nauwkeurigheid van alle modelgebaseerde pose-schattingssoftware en voor het verbeteren van de selectie van initiële pose-schattingen voor semi-handmatige processen. Het is het meest geschikt voor personen die de snelheid en nauwkeurigheid van de BVR-beeldverwerkingspijplijn willen verbeteren, en voor laboratoria die een lage variabiliteit tussen operators wensen bij de initiële schatting van de pose.

Figuur 1: Overzicht van de verstrekte biplanaire videoradiografie (BVR) dataset. Geïmplanteerde markers worden in vivo gevolgd als de gouden standaard voor het schatten van bothoudingen. De markers werden digitaal verwijderd uit de BVR-beelden en de computertomografiescans om vertekening in de modelgebaseerde tracking te voorkomen. Houdingen geschat op basis van modelgebaseerde trackingsoftware kunnen worden vergeleken met de gouden standaard van marker-based tracking. De op markers gebaseerde pose-schatting kan ook worden gebruikt om nieuwe operators te trainen om hun initiële botpose-schatting voor modelgebaseerde tracking te verbeteren. Klik hier om een grotere versie van deze figuur te bekijken.

Protocol

Experimentele protocollen werden goedgekeurd door Queen's University Health Sciences en Affiliated Teaching Hospitals Research Ethics Board. De deelnemer gaf voorafgaand aan deelname aan de gegevensverzameling geïnformeerde toestemming.

1. Voorbereiding van patiënten en genereren van datasets

OPMERKING: De deelnemer (man, 49 jaar, 83 kg, 1,75 m lang) had verschillende tantaalmarkers met een diameter van 0,8 mm die eerder waren geïmplanteerd in de calcaneus (3 markers), talus (4 markers) en tibia (5 markers; Figuur 1).

1. Verkrijg een CT-scan met een algoritme voor het verkleinen van metalen artefacten (om de beeldvervorming als gevolg van metalen implantaten te verminderen) op de voet van de deelnemer in een maximaal plantairgebogen enkelhouding met een pixelgrootte van 0,500 mm of minder en een plakdikte van 0,625 mm of minder.
   OPMERKING: Hier werd de rechtervoet van de deelnemer gescand met een resolutie van 0,441 mm x 0,441 mm x 0,625 mm. De locaties van de markers worden niet op specifieke anatomische locaties in het bot^{geplaatst 4}; In plaats daarvan zijn ze verdeeld over het bot⁵.
2. Zie¹⁷ voor methoden voor het verzamelen van biplanaire videoradiografie en het in detail verwerken van de gegevens. Vraag de deelnemer in het kort om de gewenste beweging te voltooien, waarbij zijn startpositie zo is samengesteld dat zijn voet in het biplanaire videoradiografievolume belandt. Gebruik een kalibratieobject en rasters zonder vervorming om de camera's te lokaliseren en de beelden ongedaan te maken, respectievelijk¹⁸.
   OPMERKING: De deelnemer aan dit onderzoek heeft proeven gedaan met twee verschillende bewegingen. Ze sprongen naar een metronoom met 108 bpm en jogden langzaam door het volume. Beelden werden continu vastgelegd op 250 Hz met een sluitertijd van 1111 μs, en het röntgensysteem werd ingesteld op 70 kV en 100 mA.
3. Segmenteer de markers afzonderlijk met behulp van 3D-software voor medische beeldverwerking. Gebruik het algoritme voor vullen met behoud van inhoud in de editor voor rasterafbeeldingen en de bekende markeringslocaties om de markeringen uit de DICOM-afbeeldingen te verwijderen. Maak de botgedeeltelijke volumes en mozaïekmazen door segmentatie van de markerloze afbeeldingen zoals weergegeven in¹⁷. Lijn zowel de gedeeltelijke volumes als de mazen uit en bewaar ze in de CT-ruimte.
4. Maak voor elk frame een tabel van de ongefilterde x-y-afbeeldingscoördinaten van elke markering in XMALab en exporteer deze¹⁸. Trianguleer de 3D-coördinaten met behulp van de computer vision toolbox in MATLAB. Schat de pose door de 3D-markeringsposities in de röntgenruimte af te stemmen op de bol-passende zwaartepunten in de CT-ruimte met behulp van een kleinste-kwadratenbenadering¹⁹. Gebruik hetzelfde algoritme in de grafische editor voor rasters om de markeringen in de röntgenfoto's te verwijderen om ze voor te bereiden op tracking.

2. Toegang tot de dataset en code

1. Download de dataset hier. Er zijn BVR-afbeeldingen en kalibratiebestanden voor elke proef, evenals schattingen van de referentiehouding die zijn opgeslagen in het .tra-formaat (Figuur 2). Download/kloon het codepakket van: https://github.com/skelobslab/JOVE_BVR_FootModelAndMarkerBased.

Figuur 2: Databoom van het JOVE_BVR_Foot_ModelAndMarkerBased trainingspakket. Mappen worden weergegeven in zwarte vakken, code wordt weergegeven in lichtgrijze vakken en beschrijvingen van bestanden zijn opgenomen in donkergrijze vakken. Klik hier om een grotere versie van deze figuur te bekijken.

3. Beoordeel de nauwkeurigheid van het algoritme voor het volgen van modellen

1. Sla pose-schattingen op als een .tra-bestand in de referentiemap van de proef. Rangschik het .tra-bestand met de pose van botruimte naar röntgenruimte geschreven in een formaat van 1 rij x 16 kolommen, waarbij elke rij overeenkomt met het frame en de 4 x 4 pose-matrix is uitgeschreven als [eerste kolom, tweede kolom, derde kolom en vierde kolom].
   OPMERKING: Botruimte is synoniem met CT-ruimte in deze dataset.
2. Controleer pose-schattingen door het script verifyAssessmentPoses.m in het computerplatform te openen en vervolgens op Uitvoeren te klikken. Laad de bestanden zoals beschreven in de aanwijzingen. Het script berekent de spiraalvormige as tussen de op modellen en markeringen gebaseerde pose-schatting en retourneert een rotatie- en translatieverschil voor elk frame van getrackte gegevens.

4. Training van nieuwe operators

OPMERKING: In dit gedeelte wordt de training met feedback voor een nieuwe operator beschreven. Hier is Autoscoper de geselecteerde modelgebaseerde software voor het schatten van poses, maar andere software kan als vervanging worden gebruikt.

1. Download de nieuwste versie van de pose-schattingssoftware via: https://simtk.org/projects/autoscoper.
2. Om lokale BVR-bestanden te vinden, opent u het bestand in een teksteditor (.\JOVE_BVR_Foot_ModelAndMarkerBased\Data\SOL001A\T0019_jog0001\Autoscoper\POINTER_T0019_jog001.cfg). De software gebruikt een aanwijsbestand (.cfg) om bestanden te lokaliseren. Wijzig de mappen zodat ze naar de juiste lokale bestanden leiden. Sla het bestand op en sluit het.
3. Om de BVR-afbeeldingen en camera-informatie te laden, opent u de software voor het schatten van poses en klikt u op Load Trial. Navigeer naar het configuratiebestand van de aanwijzer dat in de vorige stap is opgeslagen en klik op Openen.
4. Om te volgen, volgt u het protocol in Akhbari et al¹⁷ (modelgebaseerde tracking). Kortom, roteer en vertaal het bot door met de assen op het bot te klikken en te slepen totdat u tevreden bent met de positie en oriëntatie van de calcaneus. Druk op de S-toets op het toetsenbord om het huidige frame voor de calcaneus (cal) op te slaan.
   OPMERKING: Filterinstellingen zijn opgenomen in \JOVE_BVR_Foot_ModelAndMarkerBased\Data\SOL001A\T0019_jog0001\Autoscoper\ die kunnen worden gebruikt voor filteren zoals weergegeven in Akhbari et al¹⁷.
5. Als u de bestanden wilt opslaan, klikt u op Tracking opslaan. Sla het bestand op als [Proefnummer]_[Onderwerpnummer]_[Naam proefstuk]_[3-letterige botcode].tra (bijv. T0019_SOL001A_jog0001_cal.tra) onder de gewenste map. Exporteer de instellingen als huidig, matrix, kolom, komma, geen, mm, graden.
   OPMERKING: De drieletterige botcodes voor het scheenbeen en de talus zijn respectievelijk tib en tal.
6. Als u bestanden wilt maken voor het bijhouden van de nauwkeurigheid, opent u het computerplatform en voert u het script animateBonesWithReferences.m uit in de codemap. Navigeer naar de mappen in het trainingspakket zoals gevraagd in de dialoogvensters.
   OPMERKING: De animateBonesWithReferences.m-code is een gespecialiseerde code voor training die de poses van op markers gebaseerde gegevens levert als feedback om het volgen van de nieuwe operator te verbeteren.
7. Installeer visualisatiesoftware vanaf: https://github.com/DavidLaidlaw/WristVisualizer/tree/master. Om de tracking te visualiseren, opent u het .pos-bestand dat in stap 4.6 in de visualisatiesoftware is gemaakt; De bestandslocatie bevindt zich in het opdrachtvenster van het computerplatform.
8. Controleer de uitlijning van het gevolgde bot (grijs) met het referentiebot. Groene kleur geeft aan dat de pose binnen de rotatie- en translatiedrempels valt, terwijl rood aangeeft dat deze buiten de drempel valt. Ga door met volgen en visualiseren totdat alle frames groen zijn. Wijzig indien nodig de drempels (phi - rotatie, trans - vertaling) in regels 10 en 11 van het script animateBonesWithReferences.m.
   OPMERKING: Als het referentiebot rood is (Figuur 3A), betekent dit dat de houding meer dan 1 mm of 2° verwijderd is van de op markering gebaseerde houding, zoals gemeten met behulp van de spiraalvormige as. Als het groen is, en visueel redelijk is, wordt dat frame voldoende goed gevolgd (Figuur 3B).
9. Om de andere botten in het enkelcomplex te volgen, herhaalt u stap 4.4 tot en met 4.8 voor de talus en het scheenbeen. Gebruik de visualisatiesoftware om ervoor te zorgen dat de botten niet tegen elkaar botsen.
10. Om de beoordeling te voltooien, volgt en visualiseert u het scheenbeen, de talus en de calcaneus in de proef die beoordelingsproef wordt genoemd.
    1. Open het computerplatform en voer de code animateBonesGeneral.m uit. Navigeer naar de mappen in het trainingspakket zoals gevraagd in de dialoogvensters. Controleer de bothoudingen met behulp van het .pos-bestand in de visualisatiesoftware. Deze code is generaliseerbaar naar andere onderzoeken voor 3D-visualisatie van de botten.
       OPMERKING: De echte, op markeringen gebaseerde pose is niet langer beschikbaar. Alleen de grijze botten zullen aanwezig zijn.
11. Als u de pose-schattingen wilt evalueren, opent u het script verifyAssessmentPoses.m in het computerplatform en klikt u op Uitvoeren. Het script berekent de spiraalvormige as tussen de op modellen en markeringen gebaseerde pose-schatting en retourneert een rotatie- en translatieverschil voor elk frame van getrackte gegevens. Dit levert dezelfde grafiek op als in animateBoneswithReferences.m, maar levert geen animatie op.
12. Controleer of alle gegevenspunten onder de geselecteerde drempel (vlakke lijn) liggen voor zowel rotatie als translatie. Sla de resultaten indien nodig op in een .csv bestand.

Figuur 3: Visualisatie van acceptabele en onacceptabele tracking. (A) Calcaneus-bot gevolgd met behulp van modelgebaseerde tracking (grijs; ook aangegeven door de grijze pijl) dat niet voldoende overeenkomt met de pose van de op markers gebaseerde pose-schatting (rood; ook aangegeven door de rode pijl). (B) Calcaneus die voldoende overeenkomt met de pose van de op markers gebaseerde pose-schatting. De calcaneus met markeringsspoor wordt als resultaat in het groen weergegeven (ook aangegeven door de grijze en groene pijlen). Klik hier om een grotere versie van deze figuur te bekijken.

Resultaten

Twee nieuwe operators en een expert hebben de modeltraining afgerond. De 41 frames van de beoordelingsproef maten de vaardigheid van hun modelgebaseerde tracking (Figuur 4). De pose-schattingen van de operators lagen doorgaans ver onder de gestelde drempels. De gemiddelde mediane bias (bereik) in rotatie over botten was 0,75° (0,69° tot 0,85°) voor de calcaneus, 0,40° (0,37° tot 0,46°) voor de talus en 0,89° (0,76° tot 1,07°) voor het scheenbeen. De gemiddelde mediane translatiebias was 0,10 mm (0,05 mm tot 0,16 mm) voor de calcaneus, 0,31 mm (0,22 mm tot 0,41 mm) voor de talus en 0,33 mm (0,27 mm tot 0,37 mm) voor het scheenbeen. Deze resultaten suggereren dat de tutorial effectief is bij het trainen van de operators om binnen een ingestelde tolerantie te blijven.

Figuur 4: Rotatie- en translatiebias voor nieuwe operators en een expert. Vioolgrafiek²⁰ met bias in (A)(C)(E) rotatie en (B)(D)(F) translatie tussen modelgebaseerde en marker-gebaseerde pose-schattingen voor twee nieuwe operators en één expert voor de (A)(B) calcaneus, (C)(D) talus en (E)(F) tibia. Alle 41 frames van de beoordelingsproef worden weergegeven als gegevenspunten, met de mediaan (witte cirkel), het interkwartielbereik (dikke verticale lijn) en het gemiddelde (dikke horizontale lijn). De zwarte lijn op 2° en 1 mm geeft de geselecteerde drempels aan. Zes frames buiten de drempel voor Nieuwe Operator 2 in (E) worden niet getoond. Klik hier om een grotere versie van deze figuur te bekijken.

Eén nieuwe operator had zes frames boven de rotatiedrempel van 2° in zijn tibia-tracking. De frames werden geïdentificeerd met behulp van een van de gegenereerde grafieken in verifyAssessmentPoses.m (Figuur 5). Deze zes frames zijn moeilijker te volgen vanwege de occlusie van het scheenbeen door de andere voet die door het zicht zwaait.

Figuur 5: Rotatiebias voor elk frame over de standfase. Voorbeeld van de rotatie van de tweede nieuwe operator die volgt gedurende een deel van de standfase van het rennen, voor (A) de calcaneus, (B) de talus en (C) het scheenbeen. Merk op dat het rode vak in (C) de frames met hoge fouten toont. (D) Aan de linkerkant toont een representatieve afbeelding het geschatte verschil in uitlijning van de oranje en blauwe lijnen van het voorste scheenbeen (aangegeven door oranje en zwarte pijlen). De rechter afbeelding toont een voorbeeld van een goed gevolgd scheenbeen (aangegeven door de witte pijl). Klik hier om een grotere versie van deze figuur te bekijken.

Aanvullend bestand. Klik hier om dit bestand te downloaden.

Discussie

Nauwkeurige modelgebaseerde houdingsschatting is van fundamenteel belang voor het meten van arthrokinematica en skeletbeweging. Eerdere validatiemethoden voor het schatten van de pose waren gebaseerd op kadaverspecimens met geïmplanteerde markers, zonder in vivo belasting en bewegingsbereik van de gewrichten. Deze in vivo dataset van rennen en springen met marker-gebaseerde pose-schatting maakt validatie van modelgebaseerde algoritmen mogelijk. Verder is de dataset georganiseerd om nieuwe operators te trainen, zodat de eerste schatting die nodig is voor de meeste modelgebaseerde algoritmen binnen een ingestelde tolerantie ligt, waardoor de variabiliteit tussen operators wordt verminderd. MATLAB-code is zo voorzien dat de botten kunnen worden geanimeerd en feedback van pose-kwaliteit automatisch wordt gegenereerd.

De nieuwe operators werden met succes getraind binnen een ingestelde tolerantie van 2° rotatie en 1 mm translatie. Deze limieten zijn veel lager dan de gerapporteerde betrouwbaarheid tussen operators, die kan oplopen tot 5 mm en 10°¹. De geselecteerde toleranties zijn echter 2x tot 4x hoger dan de RMS-fout van andere experimenten met intacte kadavervoet (0,59 mm en 0,71°¹⁶). De toleranties omvatten de hogere bereiken van RMS-fouten, maar vertegenwoordigen nog steeds een aanzienlijke verbetering ten opzichte van de gerapporteerde variabiliteit tussen operators. Verder zijn in vivo omstandigheden moeilijker te volgen dan statische voethoudingen vanwege variatie in occlusie van botten, zacht weefsel en artefacten van snelle beweging door het röntgenvolume. De nieuwe operators hebben de proeven met succes binnen de tolerantie rotoscopisch uitgevoerd en lagen dicht bij de resultaten van de expert, met uitzondering van de zes frames die in figuur 5C worden getoond. De ingestelde tolerantie vertegenwoordigt dus een verbetering ten opzichte van de gerapporteerde variabiliteit tussen operators, en de resultaten tonen aan dat deze methode met succes nieuwe operators binnen die tolerantie kan trainen.

Een cruciale stap in dit protocol is de iteratie tussen rotoscoping in de geselecteerde software en visualisatie in 3D. Deze iteratie is belangrijk om te begrijpen hoe de botten in de ruimte zijn georiënteerd. Het stelt de operator in staat om te verifiëren of de bothoudingen biologisch haalbaar zijn en niet in botsing komen met andere botten. Voortdurend afwisselen tussen rotoscoping en visualisatie verbetert de kwaliteit van de uiteindelijke schattingen van de bothouding en helpt optimalisatiefouten op te sporen.

De trainingsset, met name de beoordelingsproef, bevat uitdagende volgscenario's om de grenzen van de nieuwe operators te verleggen. De positie van de röntgenbronnen en beeldversterkers in deze collectie zorgde ervoor dat de zwaaiende voet de aanzichten afsloot, waardoor er uitdagingen ontstonden voor het uitlijnen van de botmodellen. De nieuwe operator, met meerdere frames boven de rotatiedrempel, had last van de contralaterale voet die het zicht belemmerde. Strategieën zoals het wijzigen van de filterinstellingen en het rotoscopen van de frames onmiddellijk voor en na de occlusie kunnen deze problemen helpen verminderen. Bovendien verschilt de oriëntatie van de coördinatensystemen voldoende tussen de DICOM's en de pose-schattingssoftware, waardoor een hoekomslag in het scheenbeen ontstaat. De operators moeten op dit punt elk frame volgen om deze uitdaging te overwinnen. Deze scenario's zijn niet ongebruikelijk bij gegevensverzamelingen en vertegenwoordigen uitdagingen die automatische, op modellen gebaseerde pose-schatting in de toekomst zou moeten navigeren en zijn dus een waardevolle aanvulling op deze dataset.

Er zijn bepaalde beperkingen met dit protocol. Ten eerste is het controversieel om de op markers gebaseerde pose-schatting als de gouden standaard te verklaren, aangezien het nauwkeurigheidsverschil tussen marker- en modelgebaseerde pose-schatting doorgaans geen orde van grootte anders is ^2,3,10. Het is echter waarschijnlijk dat de visuele veranderingen in BVR-beelden die optreden bij in vivo collecties (d.w.z. bewegingsartefact, zacht weefsel en botocclusie) meer kans hebben om fouten te veroorzaken in de op modellen gebaseerde houdingsschatting in vergelijking met op markers gebaseerde methoden. Verdere experimenten zijn nodig om deze hypothese te bevestigen. Bovendien legt deze dataset niet elke biplanaire röntgenverzameling vast. De oriëntatie van de camera's, zodat de botten zich in verschillende relatieve posities bevinden, kan de prominentie van de botkenmerken veranderen en dienovereenkomstig de kostenfunctie van het algoritme voor het matchen van de pose beïnvloeden. Verder kunnen deze functies worden beïnvloed door de beeldfilterinstellingen^15,17. Deze dataset is dus niet noodzakelijkerwijs een generaliseerbare beoordeling van de nauwkeurigheid van BVR. In plaats daarvan is het een hulpmiddel om gebruikers te trainen om de juiste initiële pose-schattingen in te voeren en om modelgebaseerde pose-schattingsalgoritmen te verbeteren totdat handmatig rotoscoped initiële schattingen niet langer nodig zijn.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Autoscoper	Brown University		https://simtk.org/projects/autoscoper; pose schattingssoftware
Code	Queen's University		https://github.com/skelobslab/JOVE_BVR_FootModelAndMarker Based
Content-Aware Fill algoritme, Photoshop	Adobe
Dataset	Queen's University		Download hier
MATLAB	Mathworks	n/a	computing platform
Mimics	Materialise, Belgium		3D beeldverwerkingssoftware
Revolution HD	General Electric Medical Systems		Gebruikte CT-scanapparaat
WristVisualizer	Brown University		https://github.com/DavidLaidlaw/WristVisualizer/tree/master; Visualisatiesoftware
XMALab	Brown University		https://bitbucket.org/xromm/xmalab/src/master/