Method Article
עבודה זו מציגה מערך נתונים in vivo עם תנוחות עצם המוערכות בשיטות מבוססות סמן. כלולה כאן שיטה להכשרת מפעילים בשיפור ההערכות הראשוניות שלהם להערכת תנוחה מבוססת מודל והפחתת השונות בין המפעילים.
מדידת התנועה של עצמות כף הרגל הקטנות היא קריטית להבנת אובדן תפקוד פתולוגי. וידאו-רדיוגרפיה דו-מישורית מתאימה היטב למדידת תנועת עצם in vivo , אך מתעוררים אתגרים בעת הערכת הסיבוב והתרגום (תנוחה) של כל עצם. תנוחת העצם מוערכת בדרך כלל בשיטות מבוססות סמן או מודל. שיטות מבוססות סמנים הן מדויקות ביותר אך אינן נפוצות in vivo בשל הפולשניות שלהן. שיטות מבוססות מודלים נפוצות יותר אך כיום הן פחות מדויקות מכיוון שהן מסתמכות על קלט משתמש ואלגוריתמים ספציפיים למעבדה. עבודה זו מציגה מערך נתונים נדיר in vivo של תנוחות הקלקנאוס, הטלוס והשוקה, כפי שנמדד בשיטות מבוססות סמן במהלך ריצה וקפיצה. כלולה שיטה להכשרת משתמשים לשפר את הניחושים הראשוניים שלהם לתוכנת הערכת תנוחות מבוססת מודל, באמצעות משוב חזותי מבוסס סמן. מפעילים חדשים הצליחו להעריך את תנוחות העצם בטווח של 2 מעלות סיבוב ו-1 מ"מ של תרגום התנוחה מבוססת הסמן, בדומה למשתמש מומחה בתוכנה מבוססת המודל, ומייצג שיפור משמעותי לעומת השונות בין המפעילים שדווחה בעבר. יתר על כן, ניתן להשתמש במערך נתונים זה כדי לאמת תוכנות אחרות להערכת תנוחות מבוססות מודלים. בסופו של דבר, שיתוף מערך נתונים זה ישפר את המהירות והדיוק שבהם משתמשים יכולים למדוד תנוחות עצם מווידאורדיוגרפיה דו-מישורית.
מדידת התנועה של עצמות כף הרגל הקטנות היא קריטית להבנת אובדן תפקוד פתולוגי. עם זאת, מדידת תנועה דינמית של עצמות כף הרגל היא מאתגרת בשל הגודל הקטן והתצורה הצפופה של העצמות והמפרקים 1,2. טכנולוגיית וידאו-רדיוגרפיה דו-מישורית (BVR) מתאימה היטב למדידת התנועה התלת מימדית (3D) in vivo של העצמות הקטנות של כף הרגל והקרסול במהלך פעילויות דינמיות. BVR מספק תובנות לגבי ארתרו-קינמטיקה על ידי שימוש בשני מקורות רנטגן המחוברים למגבירי תמונה, הממירים קרני רנטגן של תנועה דינמית לאור נראה. כאשר כף הרגל נעה דרך נפח הצילום, מצלמות מהירות מצלמות את התמונות. התמונות אינן מעוותות ומוקרנות לתוך נפח הצילום באמצעות מיקומי מצלמה מכוילים 3,4. לאחר מכן מעריכים את תנוחת העצם של שש דרגות החופש (6 d.o.f. למיקום ו-3 d.o.f. להתמצאות) באמצעות שיטות מבוססות סמן או מבוססות מודל3.
שיטות הערכת התנוחות המבוססות על סמן או מודל משתנות בין מעבדות ודיסציפלינות. תקן הזהב של מדידת תנוחת BVR דינמית הוא השתלת סמני טנטלום קטנים לתוך עצם העניין 4,5. נדרשים לפחות שלושה סמנים לכל עצם כדי להעריך את התנוחה, עם סמנים נוספים המובילים לדיוק גבוה יותר 5,6. שיטה זו פחות נפוצה in vivo בשל הפולשניות שלה, מכיוון שהיא דורשת השתלה כירורגית, ולאחר מכן הסמנים מוטמעים באופן קבוע בעצם7. לחלופין, מעקב מבוסס מודל משתמש במידע נפחי משיטות הדמיה אחרות, כגון טומוגרפיה ממוחשבת (CT) או הדמיית תהודה מגנטית, כדי לשחזר את המודל בתמונות BVR 2,3,8,9,10,11,12,13,14,15 . לאחר מכן המודל עובר מניפולציה ידנית למחצה כדי להתאים בצורה הטובה ביותר לתמונות (רוטוסקופ), בדרך כלל תוך שימוש בשילוב של קלט משתמש כהערכה ראשונית ואופטימיזציה צולבת מתאם 3,8,9,10,15. הערכת תנוחות מבוססת מודל היא פחות פולשנית, ולכן נפוצה יותר, אך יש לה זמן עיבוד גדול יותר ודורשת קלט של המשתמש. מכיוון שתהליך הרוטוסקופיה הוא כרגע ידני למחצה, נותר צורך להכשיר מפעילים באופן אמין בתוכנה הספציפית למעבדה מכיוון ששגיאות שורש ממוצע ריבועי (RMS) בין מפעילים יכולות לנוע בין 0.83 מ"מ ל-4.96 מ"מ, ו-0.58° עד 10.29° לאורך או בערך ציר1 יחיד. יתר על כן, אלגוריתמים להתאמת מודלים משתפרים, אך דורשים אימות באמצעות פרדיגמות ניסיוניות הקרובות ככל האפשר לתנאי in vivo.
הדיוק של הערכות תנוחות מבוססות מודל מוערך לעתים קרובות מול מדדים מבוססי סמן. לדוגמה, רגלי גופות אנושיות שהושתלו בסמנים הועברו דרך עמדות תנועה מדומות 13,14,16. תמונות ה-BVR שצולמו מוזנות לאחר מכן לשיטת הרוטוסקופ מבוססת המודל ומושווים למדדים מבוססי הסמן לדיוק (הטיה ודיוק). בעוד שהשימוש בכף רגל סטטית הוא גישה בעלת ערך, יש לה מגבלות בהערכת דיוק תנוחת עצם אמיתית in vivo. לדוגמא, תנוחות המפרקים קבועות יחסית בכף הרגל של גופה עם היעדר פעילות שרירית ועומסי in vivo. לפיכך, ייתכן שהוא לא מייצג את גבולות התנועה של המפרקים במשימות תנועה מגוונות. שינויים בתנוחת המפרקים משנים את החסימה בתמונות ה-BVR, המהווה מקור לטעות מדידה בעת הערכת תנוחות עצם כף רגל קטנות וצפופות13. יתר על כן, בעת שימוש באלגוריתמים להתאמת תמונה, נוכחותם של סמנים בתמונות ה-BVR עשויה להטות את התוצאות. בעוד שקבוצות הסירו את הסמנים מתמונות הטומוגרפיה הממוחשבת (CT) הדמיה דיגיטלית ותקשורת ברפואה (DICOM) 9,14,16, הם מוסרים רק מדי פעם גם מתמונות הווידאורדיוגרפיה הדו-מישורית16.
העבודה הזו מציגה מערך נתונים של BVR בקוד פתוח של משתתף שקופץ ורץ in vivo, שיש לו סמנים מושתלים בעצמות כף הרגל והקרסול שלו (איור 1). ניתנת הערכת תנוחה מבוססת סמן לתנועת העצם in vivo של השוקה, הטלוס והקלקנאוס. הסמנים הוסרו הן מתמונות הרנטגן והן מתמונות ה-CT כדי להגביל כל הטיה שהוצגה במהלך הערכת דיוק המעקב מבוסס המודל. מערך נתונים זה מיועד להערכת הדיוק של כל תוכנת הערכת תנוחות מבוססת מודל, ולשיפור הבחירה של הערכות תנוחות ראשוניות עבור תהליכים חצי ידניים. זה מתאים ביותר לאנשים שמטרתם לשפר את המהירות והדיוק של צינור עיבוד התמונה BVR, ולמעבדות המעוניינות בשונות נמוכה בין מפעילים בהערכת התנוחה הראשונית.
איור 1: סקירה כללית של מערך הנתונים של וידאו-רדיוגרפיה דו-מישורית (BVR) המסופק. סמנים מושתלים נמצאים במעקב in vivo כתקן הזהב להערכת תנוחת העצם. הסמנים הוסרו דיגיטלית מתמונות ה-BVR ומסריקות הטומוגרפיה הממוחשבת כדי למנוע הטיה במעקב מבוסס המודל. ניתן להשוות תנוחות המוערכות מכל תוכנת מעקב מבוססת מודל לתקן הזהב של מעקב מבוסס סמן. ניתן להשתמש באומדן התנוחה המבוסס על סמן גם כדי להכשיר מפעילים חדשים לשפר את הערכת תנוחת העצם הראשונית שלהם למעקב מבוסס מודל. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
פרוטוקולים ניסיוניים אושרו על ידי מועצת האתיקה המחקרית של מדעי הבריאות של אוניברסיטת קווינס ובתי החולים הלימודיים המסונפים. המשתתף נתן הסכמה מדעת לפני ההשתתפות באיסוף הנתונים.
1. הכנת מטופלים ויצירת מערכי נתונים
הערה: למשתתף (זכר, 49 שנים, 83 ק"ג, גובה 1.75 מ') היו מספר סמני טנטלום בקוטר 0.8 מ"מ שהושתלו בעבר בקלקנאוס (3 סמנים), טאלוס (4 סמנים) ושוק (5 סמנים; איור 1).
2. גש למערך הנתונים ולקוד
איור 2: עץ נתונים של חבילת ההדרכה של JOVE_BVR_Foot_ModelAndMarkerBased. תיקיות מוצגות בתיבות שחורות, קוד מוצג בתיבות אפורות בהירות ותיאורי קבצים כלולים בתיבות אפורות כהות. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
3. להעריך את הדיוק של אלגוריתם מעקב המודלים
4. הכשרת מפעילים חדשים
הערה: סעיף זה מתאר את ההדרכה עם משוב עבור מפעיל חדש. כאן, Autoscoper היא תוכנת הערכת התנוחות מבוססת המודל שנבחרה, אך תוכנה אחרת יכולה לשמש כתחליף.
איור 3: ויזואליזציה של מעקב מקובל ולא מקובל. (A) מעקב אחר עצם קלקנאוס באמצעות מעקב מבוסס מודל (אפור; מסומן גם על ידי החץ האפור) שאינו תואם מספיק את התנוחה מהערכת התנוחה המבוססת על סמן (אדום; מסומן גם על ידי החץ האדום). (B) Calcaneus התואם במידה מספקת את התנוחה מהערכת התנוחה המבוססת על סמן. הקלקנאוס המסומן מוצג בירוק כתוצאה מכך (מסומן גם על ידי החצים האפורים והירוקים). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
שני מפעילים חדשים ומומחה אחד השלימו את ההכשרה מבוססת המודלים. 41 המסגרות של ניסוי ההערכה מדדו את המיומנות של המעקב מבוסס המודל שלהם (איור 4). הערכות התנוחה של המפעילים היו בדרך כלל הרבה מתחת לסף שנקבע. ההטיה החציונית הממוצעת בסיבוב על פני העצמות הייתה 0.75° (0.69° עד 0.85°) עבור הקלקנאוס, 0.40° (0.37° עד 0.46°) עבור הטלוס ו-0.89° (0.76° עד 1.07°) עבור השוקה. הטיית התרגום החציונית הממוצעת הייתה 0.10 מ"מ (0.05 מ"מ עד 0.16 מ"מ) עבור הקלקנאוס, 0.31 מ"מ (0.22 מ"מ עד 0.41 מ"מ) עבור הטלוס ו-0.33 מ"מ (0.27 מ"מ עד 0.37 מ"מ) עבור השוקה. תוצאות אלו מצביעות על כך שההדרכה יעילה באימון המפעילים לסובלנות מוגדרת.
איור 4: הטיית סיבוב ותרגום עבור אופרטורים חדשים ומומחה. עלילות כינור20 מציגות הטיה בסיבוב (A)(C)(E) ותרגום (B)(D)(F) בין הערכות תנוחה מבוססות מודל ומבוססות סמן עבור שני מפעילים חדשים ומומחה אחד עבור (A)(B) calcaneus, (C)(D) talus ו-(E)(F) טיביה. כל 41 המסגרות של ניסוי ההערכה מוצגות כנקודות נתונים, עם החציון (עיגול לבן), טווח בין-רבעוני (קו אנכי עבה) וממוצע (קו אופקי עבה). הקו השחור ב- 2° ו- 1 מ"מ מייצגים את הספים שנבחרו. שש מסגרות מחוץ לסף עבור מפעיל חדש 2 ב- (E) אינן מוצגות. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
למפעיל חדש אחד היו שש פריימים מעל סף הסיבוב של 2 מעלות במעקב אחר השוקה שלהם. המסגרות זוהו באמצעות אחד הגרפים שנוצרו ב-verifyAssessmentPoses.m (איור 5). שש הפריימים הללו קשים יותר למעקב בגלל חסימת השוקה על ידי הרגל השנייה המתנדנדת דרך הנוף.
איור 5: הטיית סיבוב עבור כל מסגרת על פני שלב העמדה. דוגמה למעקב אחר הסיבוב של המפעיל החדש השני על פני חלק משלב העמידה של הריצה, עבור (A) הקלקנאוס, (B) הטלוס ו-(C) השוקה. שימו לב שהתיבה האדומה ב-(C) מציגה את המסגרות עם השגיאות הגבוהות. (D) משמאל, תמונה מייצגת מראה את ההבדל המשוער ביישור של הקווים הכתומים והכחולים של השוקה הקדמית (מסומן על ידי חיצים כתומים ושחורים). התמונה הימנית מציגה דוגמה לשוק עם מעקב טוב (מסומן על ידי החץ הלבן). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.
קובץ משלים. אנא לחץ כאן להורדת קובץ זה.
הערכת תנוחה מדויקת מבוססת מודל היא בסיסית למדידת ארתרו-קינמטיקה ותנועת שלד. שיטות אימות קודמות להערכת תנוחות התבססו על דגימות גופות עם סמנים מושתלים, ללא עומס in vivo וטווחי תנועה של מפרקים. מערך נתונים זה in vivo של ריצה ודילוג עם הערכת תנוחה מבוססת סמן מאפשר אימות של אלגוריתמים מבוססי מודל. יתר על כן, מערך הנתונים מאורגן כדי להכשיר מפעילים חדשים, כך שההערכה הראשונית הנדרשת עבור רוב האלגוריתמים מבוססי המודל היא בתוך סובלנות מוגדרת, מה שמפחית את השונות בין המפעילים. קוד MATLAB מסופק כך שניתן להנפיש את העצמות ונוצר אוטומטית משוב באיכות התנוחה.
המפעילים החדשים הוכשרו בהצלחה לסובלנות מוגדרת של 2 מעלות סיבוב ו-1 מ"מ תרגום. מגבלות אלו נמוכות בהרבה מהאמינות המדווחת בין המפעילים, שיכולה להיות גדולה עד 5 מ"מ ו-10°1. עם זאת, הסובלנות שנבחרו גבוהה פי 2 עד פי 4 משגיאת ה-RMS של ניסויי כף רגל שלמים אחרים (0.59 מ"מ ו-0.71°16). הסובלנות כוללת את הטווחים הגבוהים יותר של שגיאת RMS, אך עדיין מייצגת שיפור משמעותי לעומת השונות המדווחת בין המפעילים. יתר על כן, תנאי in vivo מאתגרים יותר למעקב מאשר תנוחות כף רגל סטטיות עקב שונות בחסימת עצמות, רקמות רכות וחפצים של תנועה במהירות גבוהה דרך נפח הרנטגן. המפעילים החדשים ביצעו בהצלחה רוטוסקופ של הניסויים בתוך הסובלנות והיו קרובים לתוצאות המומחה, למעט שש המסגרות המוצגות באיור 5C. לפיכך, הסובלנות שנקבעה מייצגת שיפור לעומת השונות המדווחת בין המפעילים, והתוצאות מראות ששיטה זו יכולה להכשיר בהצלחה מפעילים חדשים בתוך סובלנות זו.
שלב קריטי בפרוטוקול זה הוא האיטרציה בין רוטוסקופ בתוכנה שנבחרה לבין הדמיה בתלת מימד. איטרציה זו חשובה להבנת האופן שבו העצמות מכוונות במרחב. זה מאפשר למפעיל לוודא אם תנוחות העצם אפשריות מבחינה ביולוגית ואינן מתנגשות בעצמות אחרות. החלפה מתמדת בין רוטוסקופ להדמיה משפרת את איכות ההערכות הסופיות של תנוחת העצם ועוזרת לתפוס שגיאות אופטימיזציה.
מערך ההדרכה, במיוחד ניסוי ההערכה, כולל תרחישי מעקב מאתגרים כדי לדחוף את הגבולות של המפעילים החדשים. המיקום של מקורות הרנטגן ומגבירי התמונה בקולקציה זו גרם לכף הרגל המתנדנדת לחסום את הנופים, וליצור אתגרים ליישור דגמי העצם. המפעיל החדש, עם מספר מסגרות מעל סף הסיבוב, הושפע מכף הרגל הנגדית שהסתירה את הנוף. אסטרטגיות כגון שינוי הגדרות המסנן ורוטוסקופיה של המסגרות מיד לפני ואחרי החסימה יכולות לעזור להפחית בעיות אלה. יתר על כן, הכיוון של מערכות הקואורדינטות שונה מספיק בין ה-DICOMs לתוכנת הערכת התנוחות, מה שגורם להיפוך זווית בשוקה. המפעילים חייבים לעקוב אחר כל פריים בשלב זה כדי להתגבר על אתגר זה. תרחישים אלה אינם נדירים באוספי נתונים ומייצגים אתגרים שהערכת תנוחות מבוססת מודל אוטומטית צריכה לנווט בהם בעתיד ולכן הם תוספת חשובה למערך נתונים זה.
ישנן מגבלות מסוימות עם פרוטוקול זה. ראשית, ההכרזה על הערכת התנוחה המבוססת על סמן כתקן הזהב שנויה במחלוקת מכיוון שהפרש הדיוק בין הערכת תנוחה מבוססת סמן למודל אינו בדרך כלל שונה בסדר גודל 2,3,10. עם זאת, סביר להניח שהשינויים החזותיים בתמונות BVR המתעוררים עם אוספים in vivo (כלומר, חפץ תנועה, רקמה רכה וחסימת עצם) נוטים יותר לגרום לשגיאות בהערכת תנוחה מבוססת מודל בהשוואה לשיטות מבוססות סמן. נדרשים ניסויים נוספים כדי לאשש השערה זו. בנוסף, מערך נתונים זה אינו לוכד כל אוסף צילומי רנטגן דו-מישוריים. כיוון המצלמות, כך שהעצמות נמצאות במיקומים יחסיים שונים, יכול לשנות את בולטות תכונת העצם ולהשפיע בהתאמה על פונקציית העלות של אלגוריתם התאמת התנוחה. יתר על כן, תכונות אלה עשויות להיות מושפעות מהגדרות מסנן התמונה15,17. לפיכך, מערך נתונים זה אינו בהכרח הערכה ניתנת להכללה של דיוק BVR. במקום זאת, זהו כלי להכשרת משתמשים להזין הערכות תנוחה ראשוניות מתאימות ולשיפור אלגוריתמים להערכת תנוחות מבוססות מודלים עד שלא יהיה עוד צורך בניחושים ראשוניים ידניים.
למחברים אין ניגודי אינטרסים לחשוף.
עבודה זו מומנה על ידי מענק הגילוי של NSERC (RGPIN/04688-2015) ופרס החוקר המוקדם של אונטריו.
Name | Company | Catalog Number | Comments |
Autoscoper | Brown University | https://simtk.org/projects/autoscoper; pose estimation software | |
Code | Queen's University | https://github.com/skelobslab/JOVE_BVR_FootModelAndMarker Based | |
Content-Aware Fill algorithm, Photoshop | Adobe | ||
Dataset | Queen's University | Download here | |
MATLAB | Mathworks | n/a | computing platform |
Mimics | Materialise, Belgium | 3D image processing software | |
Revolution HD | General Electric Medical Systems | CT scan device used | |
WristVisualizer | Brown University | https://github.com/DavidLaidlaw/WristVisualizer/tree/master; Visualization software | |
XMALab | Brown University | https://bitbucket.org/xromm/xmalab/src/master/ |
Request permission to reuse the text or figures of this JoVE article
Request PermissionThis article has been published
Video Coming Soon
Copyright © 2025 MyJoVE Corporation. All rights reserved