The accurate estimation of the hip joint centre (HJC) is a basic requirement in clinical gait analysis as well as in preoperative planning of total hip arthroplasty and total knee arthroplasty. In this thesis project we will propose a novel method for predictive estimation of HJC. When using predictive methods, the position of the HJC is calculated performing a regression on specific anatomical patient quantities. Our method is based on artificial neural networks and, in addition to anatomical measurements, includes gender and age among the parameters for estimating the HJC. The anatomic measurements used in this project are: clinical leg length (LL), pelvis width (PW) and pelvis depth (PD). For network training and testing we used data from one dataset we found in literature (Hara et al.). Two more datasets, also found in literature, were used for network performance analysis (Harrington et al. and Leardini et al.). We developed seven different algorithms. Algorithm 1, one network with full input parameters (PW, PD, LL, age, gender) and three outputs: HJCx, HJCy, HJCz (the coordinates x,y,z of HJC). Algorithm 2, three distinct networks, with full input parameters, each of which estimates one direction of hip joint centre (HJCx, HJCy, HJCz). Algorithm 3, three different networks; the first with full input parameters estimates HJCy, which is then used as input parameter, (together with LL, PW, PD, age and gender) for two networks that estimate HJCx and HJCz. Algorithm 4, three networks are trained in the same way as in Algorithm 3 but without including gender among input parameters. Algorithm 5, three networks are trained in the same way as in Algorithm 3 but without including age among input parameters. Algorithm 6 and Algorithm 7, for each algorithm three networks are trained in the same way as in Algorithm 3 with the addition of weight among input parameters. The anthropometric measurements in the datasets used have been acquired on imaging data and therefore, at first, HJC estimation was carried out without considering fat and skin artefact (Algorithm 1 to 5). In the final part of Chapter 3 we simulated the presence of noise due to skin and fat artefact, and an additional algorithm have been implemented for HJC localization in presence of noise (Algorithm 1 and 6). Finally, we validate the performance of our algorithms through the comparison with Harrington's algorithm, which is considered the gold standard for predictive methods. The best algorithm among those we implemented is Algorithm 3. The most notable differences between this algorithm and Harrington's can be spotted in the comparison of the 3D distance between real and estimated HJC. Considering the distance over two sets of data we had statistical evidence that our method increased the accuracy of HJC localization of 21-17% with average distance value of 5.9mm-9.3mm, depending on used dataset. Harrington's average distance values were 7.5mm-11.2mm, depending on used dataset. The validation of the best performing method was carried out also on data with simulated noise. In this case we proved an increase of approximately 19% in HJC localization with distances mean value equal to 6.1mm. We also performed statistical analysis to evaluate the importance of including gender as input parameter. Although our data proved a certain correlation between the improvement in HJC localization and the use of gender as input parameter, our analysis on was not conclusive.

La stima accurata del centro dell'articolazione dell'anca (HJC) è un requisito fondamentale nell'analisi clinica del cammino e nella pianificazione preoperatoria per artroplastica totale di anca e di ginocchio. In questo progetto di tesi proporremo un nuovo metodo per la stima predittiva dell’HJC. Quando vengono utilizzati modelli predittivi, la posizione dell'HJC viene calcolata eseguendo la regressione su specifiche quantità anatomiche del paziente. Il metodo sviluppato in questo progetto si basa sulle reti neurali artificiali e, oltre alle misurazioni anatomiche, include il genere e l’età tra i parametri per la stima dell'HJC. Le misure anatomiche utilizzate in questo progetto sono: lunghezza della gamba (LL), larghezza della pelvi (PW) e spessore della pelvi (PD). Per l'addestramento e il test delle reti è stato utilizzato un dataset trovato in letteratura (Hara et al.). Per l'analisi delle prestazioni di rete, sono stati utilizzati altri due dataset, anch’essi trovati in letteratura (Harrington et al., Leardini et al.). Sono stati sviluppati sette diversi algoritmi. Algoritmo 1, è stata sviluppata una singola rete con in input LL, PW, PD, genere ed età, e tre output: HJCx, HJCy, HJCz (le coordinate x, y, z di HJC). Algoritmo 2, sono state sviluppate tre reti distinte, ciascuna con in input LL, PW, PD, genere e età e, ognuna delle tre reti stima una direzione del centro dell'articolazione dell'anca (HJCx, HJCy, HJCz). Algoritmo 3, sono state sviluppate tre diverse reti: la prima con tutti i parametri descritti sopra in input viene usata per la stima HJCy il quale viene quindi utilizzato come parametro di input (insieme a LL, PW, PD, età e genere) per addestrare altre due reti, che vengono a loro volta utilizzate per la stima HJCx e HJCz. Algoritmo 4, sono state sviluppate tre diverse reti che sono state addestrate allo stesso modo dell'Algoritmo 3, ma senza includere il genere tra i parametri di input. Algoritmo 5, sono state sviluppate tre diverse reti che sono state addestrate allo stesso modo dell'Algoritmo 3 ma senza includere l'età tra i parametri di input. Algoritmo 6 e Algoritmo 7, per ciascuno dei due, sono state addestrate tre reti allo stesso modo dell'Algoritmo 3, ma con l'aggiunta del peso del soggetto analizzato tra i parametri di input. Le misurazioni antropometriche contenute nei dataset utilizzati sono state effettuate su dati di imaging e pertanto inizialmente la stima dell’HJC è stata effettuata senza considerare l'artefatto dovuto alla pelle e al tessuto adiposo (Algoritmi da 1 a 5). Nella parte finale del Capitolo 3 è stata simulata la presenza di rumore dovuto alla pelle e al tessuto adiposo, ed è quindi stato implementato un algoritmo aggiuntivo per la stima dell’HJC in presenza di rumore (Algoritmi 6 e 7). Infine, sono state valutate le prestazioni degli algoritmi sviluppati attraverso il confronto con l'algoritmo di Harrington, che è considerato il gold standard per i metodi predittivi. Il miglior algoritmo tra quelli sviluppati si è dimostrato essere l’Algoritmo 3. Le differenze più notevoli tra il nostro algoritmo e quello di Harrington possono essere individuate nella distanza 3D tra HJC reale e stimato. Infatti, con riferimento alla distanza tra HJC reale e stimato, è stata riscontrata evidenza statistica che l’algoritmo basato su reti neurali ha aumentato l'accuratezza della localizzazione HJC del 21-17% con un valore medio della distanza di 5,9 mm - 9,3 mm, a seconda del set di dati utilizzato. Il valore medio della distanza di utilizzando il modello di Harrington era di 7,5 mm-11,2 mm, a seconda del set di dati utilizzato. È quindi stata effettuata una valutazione sull’accuratezza della stima dell’HJC sui dati con simulazione degli artefatti dovuti alla pelle e allo strato adiposo. In questo caso è stata riscontrata evidenza statistica di un aumento di circa il 19% nell’accuratezza della localizzazione dell’HJC con un valore medio di distanza, tra HJC reale e stimato, di 6,1 mm. È stata anche effettuata una analisi statistica per valutare l'importanza di includere il genere tra i parametri in input alle reti neurali. Non è stata riscontrata evidenza statistica di una correlazione tra il miglioramento della localizzazione HJC e l'uso del genere come parametro di input, tuttavia è stata trovata una relazione che riteniamo meriti ulteriori indagini.

Hip joint centre estimation by neural network prediction

OSTINI, MARTA
2017/2018

Abstract

The accurate estimation of the hip joint centre (HJC) is a basic requirement in clinical gait analysis as well as in preoperative planning of total hip arthroplasty and total knee arthroplasty. In this thesis project we will propose a novel method for predictive estimation of HJC. When using predictive methods, the position of the HJC is calculated performing a regression on specific anatomical patient quantities. Our method is based on artificial neural networks and, in addition to anatomical measurements, includes gender and age among the parameters for estimating the HJC. The anatomic measurements used in this project are: clinical leg length (LL), pelvis width (PW) and pelvis depth (PD). For network training and testing we used data from one dataset we found in literature (Hara et al.). Two more datasets, also found in literature, were used for network performance analysis (Harrington et al. and Leardini et al.). We developed seven different algorithms. Algorithm 1, one network with full input parameters (PW, PD, LL, age, gender) and three outputs: HJCx, HJCy, HJCz (the coordinates x,y,z of HJC). Algorithm 2, three distinct networks, with full input parameters, each of which estimates one direction of hip joint centre (HJCx, HJCy, HJCz). Algorithm 3, three different networks; the first with full input parameters estimates HJCy, which is then used as input parameter, (together with LL, PW, PD, age and gender) for two networks that estimate HJCx and HJCz. Algorithm 4, three networks are trained in the same way as in Algorithm 3 but without including gender among input parameters. Algorithm 5, three networks are trained in the same way as in Algorithm 3 but without including age among input parameters. Algorithm 6 and Algorithm 7, for each algorithm three networks are trained in the same way as in Algorithm 3 with the addition of weight among input parameters. The anthropometric measurements in the datasets used have been acquired on imaging data and therefore, at first, HJC estimation was carried out without considering fat and skin artefact (Algorithm 1 to 5). In the final part of Chapter 3 we simulated the presence of noise due to skin and fat artefact, and an additional algorithm have been implemented for HJC localization in presence of noise (Algorithm 1 and 6). Finally, we validate the performance of our algorithms through the comparison with Harrington's algorithm, which is considered the gold standard for predictive methods. The best algorithm among those we implemented is Algorithm 3. The most notable differences between this algorithm and Harrington's can be spotted in the comparison of the 3D distance between real and estimated HJC. Considering the distance over two sets of data we had statistical evidence that our method increased the accuracy of HJC localization of 21-17% with average distance value of 5.9mm-9.3mm, depending on used dataset. Harrington's average distance values were 7.5mm-11.2mm, depending on used dataset. The validation of the best performing method was carried out also on data with simulated noise. In this case we proved an increase of approximately 19% in HJC localization with distances mean value equal to 6.1mm. We also performed statistical analysis to evaluate the importance of including gender as input parameter. Although our data proved a certain correlation between the improvement in HJC localization and the use of gender as input parameter, our analysis on was not conclusive.
DE MOMI, ELENA
MACHADO LEITE DE BARROS, RICARDO
ING - Scuola di Ingegneria Industriale e dell'Informazione
16-apr-2019
2017/2018
La stima accurata del centro dell'articolazione dell'anca (HJC) è un requisito fondamentale nell'analisi clinica del cammino e nella pianificazione preoperatoria per artroplastica totale di anca e di ginocchio. In questo progetto di tesi proporremo un nuovo metodo per la stima predittiva dell’HJC. Quando vengono utilizzati modelli predittivi, la posizione dell'HJC viene calcolata eseguendo la regressione su specifiche quantità anatomiche del paziente. Il metodo sviluppato in questo progetto si basa sulle reti neurali artificiali e, oltre alle misurazioni anatomiche, include il genere e l’età tra i parametri per la stima dell'HJC. Le misure anatomiche utilizzate in questo progetto sono: lunghezza della gamba (LL), larghezza della pelvi (PW) e spessore della pelvi (PD). Per l'addestramento e il test delle reti è stato utilizzato un dataset trovato in letteratura (Hara et al.). Per l'analisi delle prestazioni di rete, sono stati utilizzati altri due dataset, anch’essi trovati in letteratura (Harrington et al., Leardini et al.). Sono stati sviluppati sette diversi algoritmi. Algoritmo 1, è stata sviluppata una singola rete con in input LL, PW, PD, genere ed età, e tre output: HJCx, HJCy, HJCz (le coordinate x, y, z di HJC). Algoritmo 2, sono state sviluppate tre reti distinte, ciascuna con in input LL, PW, PD, genere e età e, ognuna delle tre reti stima una direzione del centro dell'articolazione dell'anca (HJCx, HJCy, HJCz). Algoritmo 3, sono state sviluppate tre diverse reti: la prima con tutti i parametri descritti sopra in input viene usata per la stima HJCy il quale viene quindi utilizzato come parametro di input (insieme a LL, PW, PD, età e genere) per addestrare altre due reti, che vengono a loro volta utilizzate per la stima HJCx e HJCz. Algoritmo 4, sono state sviluppate tre diverse reti che sono state addestrate allo stesso modo dell'Algoritmo 3, ma senza includere il genere tra i parametri di input. Algoritmo 5, sono state sviluppate tre diverse reti che sono state addestrate allo stesso modo dell'Algoritmo 3 ma senza includere l'età tra i parametri di input. Algoritmo 6 e Algoritmo 7, per ciascuno dei due, sono state addestrate tre reti allo stesso modo dell'Algoritmo 3, ma con l'aggiunta del peso del soggetto analizzato tra i parametri di input. Le misurazioni antropometriche contenute nei dataset utilizzati sono state effettuate su dati di imaging e pertanto inizialmente la stima dell’HJC è stata effettuata senza considerare l'artefatto dovuto alla pelle e al tessuto adiposo (Algoritmi da 1 a 5). Nella parte finale del Capitolo 3 è stata simulata la presenza di rumore dovuto alla pelle e al tessuto adiposo, ed è quindi stato implementato un algoritmo aggiuntivo per la stima dell’HJC in presenza di rumore (Algoritmi 6 e 7). Infine, sono state valutate le prestazioni degli algoritmi sviluppati attraverso il confronto con l'algoritmo di Harrington, che è considerato il gold standard per i metodi predittivi. Il miglior algoritmo tra quelli sviluppati si è dimostrato essere l’Algoritmo 3. Le differenze più notevoli tra il nostro algoritmo e quello di Harrington possono essere individuate nella distanza 3D tra HJC reale e stimato. Infatti, con riferimento alla distanza tra HJC reale e stimato, è stata riscontrata evidenza statistica che l’algoritmo basato su reti neurali ha aumentato l'accuratezza della localizzazione HJC del 21-17% con un valore medio della distanza di 5,9 mm - 9,3 mm, a seconda del set di dati utilizzato. Il valore medio della distanza di utilizzando il modello di Harrington era di 7,5 mm-11,2 mm, a seconda del set di dati utilizzato. È quindi stata effettuata una valutazione sull’accuratezza della stima dell’HJC sui dati con simulazione degli artefatti dovuti alla pelle e allo strato adiposo. In questo caso è stata riscontrata evidenza statistica di un aumento di circa il 19% nell’accuratezza della localizzazione dell’HJC con un valore medio di distanza, tra HJC reale e stimato, di 6,1 mm. È stata anche effettuata una analisi statistica per valutare l'importanza di includere il genere tra i parametri in input alle reti neurali. Non è stata riscontrata evidenza statistica di una correlazione tra il miglioramento della localizzazione HJC e l'uso del genere come parametro di input, tuttavia è stata trovata una relazione che riteniamo meriti ulteriori indagini.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
MartaOstini_MasterThesis.pdf

accessibile in internet per tutti

Descrizione: Testo della tesi
Dimensione 4.44 MB
Formato Adobe PDF
4.44 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/146235