ترجمه فارسی مقاله راه رفتن به تماس (G2C) – یک چارچوب یادگیری عمیق جدید برای پیش‌بینی ساییدگی کل تعویض زانو از الگوهای راه رفتن

چکیده

Background Total knee replacement (TKR) is the most common inpatient surgery in the US. Studies leveraging finite element analysis (FEA) models have shown that variability of gait patterns can lead to significant variability of wear rates in TKR settings. However, FEA models can be resource-intensive and time-consuming to execute, hindering further research in this area. This study introduces a novel deep learning-based surrogate modeling approach aimed at significantly reducing computational costs and processing time compared to traditional FEA models.

چکیده به فارسی (ترجمه ماشینی)

پس زمینه تعویض کل زانو (TKR) رایج ترین عمل جراحی بستری در ایالات متحده است.مطالعات استفاده از مدل های تجزیه و تحلیل عناصر محدود (FEA) نشان داده است که تنوع الگوهای راه رفتن می تواند منجر به تنوع قابل توجهی در میزان سایش در تنظیمات TKR شود.با این حال ، مدل های FEA می توانند برای اجرای منابع و وقت گیر برای اجرای آن ، مانع تحقیقات بیشتر در این زمینه شوند.این مطالعه یک رویکرد مدل سازی جانشین مبتنی بر یادگیری عمیق با هدف کاهش قابل توجه هزینه های محاسباتی و زمان پردازش در مقایسه با مدل های سنتی FEA را معرفی می کند.