Des pixels à la posture : l'innovation de BIOTONIX en détection anatomique par IA

Identifier des objets et leurs points d'intérêt dans des images brutes est une tâche ardue et chronophage, qui requiert souvent des compétences hautement spécialisées. Cette tâche constitue une première étape dans l'interprétation des images et leur analyse quantitative (Lindner 2017).

Un système autonome capable d'accomplir une telle tâche avec précision et fiabilité pourrait avoir une grande valeur dans divers domaines de recherche scientifique, tels que l'analyse morphométrique, l'analyse statistique de forme, l'estimation de la pose, la reconstruction 3D, mais aussi sur le plan commercial.

Pour ne citer que quelques exemples industriels :

La médecine moderne et la physiothérapie reposent largement sur l'identification précise des points anatomiques (selon le domaine d'application, plusieurs synonymes de « point » sont utilisés, tels que marqueur, repère, point clé, etc.) pour le diagnostic, le traitement et la réadaptation (p. ex. Ghesu et al. 2016, Fig. 1).

Les industries de la mode et du vêtement peuvent tirer parti de cette technologie pour prendre des mesures biométriques précises. En identifiant les points anatomiques clés, les créateurs peuvent concevoir des vêtements mieux ajustés, réduisant le nombre de retours et augmentant la satisfaction des clients. Cela pourrait aussi révolutionner les achats en ligne, en permettant des essayages virtuels avec des recommandations de taille précises (p. ex. Liao et al. 2023, Fig. 2).

L'ergonomie et la conception des postes de travail dépendent de façon cruciale d'une bonne compréhension de l'anatomie de l'individu. Des mesures précises peuvent guider la conception de mobilier de bureau, d'outils et d'espaces de travail qui réduisent le risque de troubles musculo-squelettiques et augmentent la productivité (p. ex. Kim et al. 2021, Fig. 3).

Au fil des ans, un certain nombre de méthodes ingénieuses ont été développées pour l'annotation automatique des images, que ce soit pour la segmentation ou la détection de l'objet ou de ses points d'intérêt (p. ex. détection de points caractéristiques, recalage d'images de groupe, seuillage, détection de contours, approche par fenêtre glissante). Ces méthodes traditionnelles exigent une définition manuelle des caractéristiques, ce qui les rend moins flexibles face à des conditions d'image variables (O'Mahony et al. 2020).

Les méthodes fondées sur l'apprentissage automatique (AA), telles que l'apprentissage profond (AP), ont révolutionné ce domaine ces dernières années. La détection d'objets, la segmentation sémantique et la détection de points clés sont déjà des tâches standard de vision par ordinateur qui bénéficient de l'AP ; elles nécessitent cependant un grand volume de données annotées, qui ne sont pas toujours disponibles, car cette accumulation est chronophage et peut être très coûteuse.

L'évolution de l'évaluation posturale : de l'observation visuelle à l'observation numérique

Bien que des méthodes plus objectives d'évaluation de la posture debout à l'aide de photographies (p. ex. Kraus & Eisenmenger-Weber 1945 ; MacEwan et al. 1932) aient été proposées dès la première moitié du XX^e siècle, avant l'avènement de la technologie numérique moderne, l'évaluation de la posture reposait principalement sur des examens anamnestiques et des observations visuelles des praticiens, généralement fondées sur l'observation qualitative des courbures rachidiennes et du désalignement du corps par rapport au fil à plomb dans les vues antérieure, postérieure et latérale (Iunes et al. 2009). Bien que cette méthode ait fourni des informations précieuses, elle demeure inévitablement subjective et largement dépendante de l'expertise individuelle de l'évaluateur.

Avec la popularisation des appareils photo numériques dans les années 1990, le domaine a connu des progrès importants. Les systèmes photographiques d'évaluation de la posture statique se sont imposés comme une nouvelle norme, ouvrant la voie à des méthodes d'évaluation quantitative. Ces systèmes visaient à réduire la subjectivité inhérente aux évaluations visuelles et à offrir un processus de mesure plus standardisé et reproductible.

Zonnenberg et al. (1996) ont mis en évidence le potentiel de ces méthodes en s'intéressant à leur fiabilité intra/inter-évaluateurs, montrant comment les outils numériques pouvaient offrir une cohérence des mesures sur des photographies de la posture corporelle (Fig. 4). Toutefois, pour pouvoir évaluer quantitativement les déviations posturales, une identification précise de points anatomiques spécifiques sur le corps humain est nécessaire.

Les premiers pas pionniers de BIOTONIX POSTURE

Pionnier du développement de systèmes photographiques pour l'évaluation quantitative de la posture, l'histoire de BIOTONIX, née au début des années 2000, est étroitement liée à l'histoire du développement scientifique dans ce domaine (Guimond et al. 2003). Au cœur du système BIOTONIX se trouvait le paradigme établi par Kendall et ses collègues (Kendall et al. 2005).

Plutôt que d'estimer visuellement les déviations par rapport à l'alignement du fil à plomb, comme le prescrivaient ces auteurs, le système photogrammétrique à marqueurs de BIOTONIX représentait une innovation, car il quantifiait ces déviations en enregistrant des images et les coordonnées de points de référence anatomiques en unités métriques.

Bien qu'innovante et efficace pour son époque, cette approche n'était pas sans défis. La dépendance à la palpation manuelle entraînait des variations inhérentes entre les évaluations, influencées par l'expertise et l'expérience individuelles du physiothérapeute évaluateur.

L'une des caractéristiques remarquables du système BIOTONIX original était son souci du détail lors de la phase de photographie. Pour garantir que les points anatomiques soient clairement visibles et distincts sur les photos, des marqueurs de surface fluorescents étaient utilisés (Fig. 5). Lorsque le flash de l'appareil photo se déclenchait, ces marqueurs réfléchissaient intensément la lumière, créant des points à fort contraste sur les images capturées.

Le contraste saisissant garantissait que les points anatomiques étaient indéniables, réduisant le risque de mauvaise interprétation lors de la phase d'évaluation. Cela était particulièrement crucial compte tenu du nombre de points évalués et de la nécessité d'une grande précision dans la détermination de l'alignement postural.

À l'aide d'algorithmes classiques de vision par ordinateur, le logiciel analysait les images, détectant et enregistrant les coordonnées de chaque point anatomique à fort contraste. Cette automatisation accélérait non seulement le processus, mais introduisait aussi un nouveau niveau de cohérence et de précision dans la procédure. Une fois les coordonnées enregistrées, le logiciel pouvait alors calculer les déviations posturales, en comparant l'alignement postural observé à l'idéal préétabli.

L'approche innovante et la méthodologie du système original de BIOTONIX ont été brevetées en 2003 par Sylvain Guimond, Ph. D., et ses collègues (Guimond et al. 2003). Intitulé « System and method for automated biomechanical analysis, detection and correction of postural deviations », ce brevet témoigne de l'esprit pionnier et des réalisations techniques du système à l'époque. Au cours des années suivantes, divers groupes de recherche ont validé la fiabilité du système (Harrison et al. 2008, 2007 ; Janik et al. 2007 ; Normand et al. 2007, 2002).

Cette méthodologie brevetée a établi une nouvelle norme dans le monde de l'analyse biomécanique, marquant le passage de méthodes purement manuelles à des approches plus automatisées et standardisées, telles que DIPA (Furlanetto et al. 2012) et SAPO (Ferreira et al. 2011).

À l'aide d'un questionnaire sur une échelle de douleur, l'étude a également examiné l'incidence des douleurs corporelles chez des sujets présentant différents types de posture. Fait intéressant, ceux ayant une posture idéale rapportaient des scores de douleur plus faibles que les personnes appartenant à d'autres catégories de posture. Ce résultat souligne l'importance de maintenir une bonne posture pour réduire le risque de douleur et d'inconfort.

Le problème : le défi de l'identification des points anatomiques pour l'évaluation posturale

Bien que les méthodes photographiques d'analyse quantitative de la posture aient représenté une avancée considérable dans la pratique clinique, l'identification de points anatomiques spécifiques sur le corps du patient avant la prise de photos restait une tâche fondée sur l'inspection visuelle et la palpation, chronophage et dépendante de l'expertise du praticien.

À mesure que la technologie progresse, une solution révolutionnaire émerge : un système fondé sur l'IA, hyperspécialisé dans l'identification de points anatomiques sur des photos numériques.

BIOTONIX 2.0 : embrasser l'avenir avec une autonomie propulsée par l'IA

S'appuyant sur son riche héritage et son expertise éprouvée, BIOTONIX s'est lancée dans une transformation ambitieuse à partir de 2020. Avec le soutien du programme de Recherche scientifique et développement expérimental (RS&DE) du gouvernement fédéral canadien, l'entreprise s'est donné pour objectif de révolutionner l'évaluation posturale en développant un nouveau système autonome.

BIOTONIX a entrepris de créer un système d'évaluation posturale autonome, capable de contourner le besoin d'intervention humaine. Pour y parvenir, BIOTONIX s'est tournée vers des techniques avancées d'intelligence artificielle (IA), cherchant à exploiter la puissance de l'IA pour une précision et une efficacité inégalées.

Pourquoi le passage à l'IA ?

Bien que le système BIOTONIX original ait été révolutionnaire pour son époque, certaines pistes d'amélioration étaient évidentes :

• Efficacité : le processus de marquage manuel, bien que minutieux, était chronophage.
• Cohérence : l'intervention humaine, malgré tous les efforts, introduisait des variables susceptibles d'influencer les résultats.
• Évolutivité : un système autonome offre un potentiel d'application plus large, sans être limité par les processus manuels.

L'IA, avec sa capacité à traiter rapidement les données, à apprendre à partir de vastes ensembles de données et à effectuer des identifications précises, offrait une solution à ces défis. En intégrant l'IA, BIOTONIX visait à redéfinir l'évaluation posturale, en la rendant plus rapide, plus cohérente et universellement applicable.

Exploiter les données : le fondement de la révolution IA de BIOTONIX

Dans le domaine de l'IA, les données sont primordiales. Consciente de cela, BIOTONIX a tiré parti d'un atout inestimable : une base de données soigneusement sélectionnée contenant des milliers d'évaluations posturales. Cette vaste collection de données représentait une mine d'informations, jetant les bases du développement de techniques d'évaluation posturale propulsées par l'IA.

Entraîner des modèles d'IA spécialisés

À l'aide de cette vaste base de données, BIOTONIX a entrepris d'entraîner des modèles d'IA hautement spécialisés. L'objectif était d'apprendre à l'IA à identifier avec précision des points anatomiques sur des photos de personnes en position debout détendue.

Les données ont été soigneusement annotées et utilisées dans des processus d'entraînement itératifs, permettant au modèle d'apprendre à discerner de subtiles nuances, à reconnaître des motifs et à identifier avec précision des points anatomiques cruciaux. Les prédictions de l'IA étaient non seulement précises, mais aussi cohérentes sur une large gamme de postures et de types corporels.

Points anatomiques reconnus en vue LATÉRALE DROITE par l'IA de BIOTONIX

La vue latérale droite offre une perspective unique, particulièrement pour évaluer l'alignement dans le plan sagittal. Le système d'IA de BIOTONIX, fidèle à son engagement envers une évaluation complète, identifie 9 points anatomiques critiques pour cette vue (Fig. 6) :

• Tragus de l'oreille droite (SD01)
• Glabelle (SD02)
• Milieu du menton (SD03)
• Épaule droite au-dessus de l'acromion (SD04)
• Épine iliaque postéro-supérieure droite et épine iliaque antéro-supérieure droite (SD05 et SD08)
• Grand trochanter (SD09)
• Tubercule de Gerdy (SD10)
• Articulation transverse du tarse (SD11)

Points anatomiques reconnus en vue FRONTALE par l'IA de BIOTONIX

Fondé sur le paradigme analytique établi par Kendall et al. (2005), le modèle de vue frontale du système BIOTONIX est conçu pour reconnaître 16 points anatomiques spécifiques (Fig. 7). Chacun de ces points joue un rôle clé dans la compréhension et l'évaluation de l'alignement postural dans le plan frontal :

• Glabelle (FA02)
• Milieu du menton (FA04)
• Épaules droite et gauche au-dessus de l'acromion (FA05 et FA07)
• Incisure jugulaire (FA06)
• Nombril (FA08)
• Épines iliaques antéro-supérieures droite et gauche (FA09 et FA11)
• Poignets droit et gauche au-dessus du processus styloïde du radius (FA12 et FA13)
• Rotules droite et gauche (FA14 et FA15)
• Centré entre les malléoles médiale et latérale droite et gauche (FA16 et FA18)
• Faces antérieures des phalanges distales droite et gauche du gros orteil (FA19 et FA20)

Points anatomiques reconnus en vue POSTÉRIEURE par l'IA de BIOTONIX

S'appuyant sur sa fondation analytique, le système d'IA de BIOTONIX pour la vue postérieure cible 14 points anatomiques spécifiques essentiels pour une évaluation posturale complète (Fig. 8). Ces points offrent des informations sur l'alignement de la colonne vertébrale, des épaules, du bassin et des membres inférieurs :

• Processus épineux de la 7^e vertèbre cervicale (FP03)
• Épaules droite et gauche au-dessus de l'acromion (FP04 et FP05)
• Processus épineux de la 5^e vertèbre thoracique (FP06)
• Épines iliaques postéro-supérieures droite et gauche (FP09 et FP07)
• Poignets droit et gauche au-dessus du processus styloïde de l'ulna (FP11 et FP10)
• Centre des cavités poplitées droite et gauche (FP13 et FP12)
• Tendon d'Achille droit et gauche au niveau de la malléole médiale (FP16 et FP14)
• Calcanéum du pied droit et gauche (FP19 et FP17)

Le système détecte également automatiquement et avec une grande précision les quatre marqueurs de calibration situés sur le panneau installé derrière le sujet dans l'environnement clinique.

Des applications variées pour une ère moderne

L'approche innovante de BIOTONIX va au-delà du modèle autonome. L'IA entraînée à détecter les points anatomiques a été intégrée à un écosystème plus large, adapté à différentes expériences utilisateur et applications :

• BIOTONIX Posture : pour une expérience plus complète, l'application web BIOTONIX Posture offre des capacités d'analyse approfondie, de suivi et de production de rapports. Elle fournit une plateforme robuste pour des évaluations posturales détaillées et des recommandations.

Conclusion

De ses débuts pionniers dans les systèmes d'évaluation posturale au début des années 2000 à sa position de chef de file dans la révolution de l'IA en analyse biomécanique, BIOTONIX demeure à l'avant-garde de l'innovation. Avec sa suite d'applications et ses capacités d'IA de pointe, elle promet un avenir où la santé posturale est accessible, précise et parfaitement intégrée à nos vies numériques.

Avec BIOTONIX, l'avenir promet innovation, précision et une quête inlassable de l'excellence.

Pour en savoir plus sur notre système d'IA, ou pour le voir en action, visitez https://biotonixposture.com. Vous souhaitez l'intégrer à votre pratique ? Contactez notre équipe à l'adresse https://biotonixposture.com/get-in-touch

Références

AAOS, P.C., 1947. Posture and its Relationship to Orthopaedic Disabilities. A Report of the Posture Committee of the American Academy of Orthopaedic Surgeons.

Ferreira, Elizabeth A., et al. « Quantitative assessment of postural alignment in young adults based on photographs of anterior, posterior, and lateral views. » Journal of manipulative and physiological therapeutics 34.6 (2011): 371-380.

Furlanetto, Tássia Silveira, et al. « Validating a postural evaluation method developed using a Digital Image-based Postural Assessment (DIPA) software. » Computer methods and programs in biomedicine 108.1 (2012): 203-212.

Ghesu, Florin C., et al. « An artificial agent for anatomical landmark detection in medical images. » Medical Image Computing and Computer-Assisted Intervention-MICCAI 2016: 19th International Conference, Athens, Greece, October 17-21, 2016, Proceedings, Part III 19. Springer International Publishing, 2016.

Guimond, Sylvain, et al. « System and method for automated biomechanical analysis and the detection and correction of postural deviations. » U.S. Patent No. 6,514,219. 4 Feb. 2003.

Harrison, Deed E., et al. « Upright static pelvic posture as rotations and translations in 3-dimensional from three 2-dimensional digital images: validation of a computerized analysis. » Journal of manipulative and physiological therapeutics 31.2 (2008): 137-145.

Harrison, Deed E., et al. « Validation of a computer analysis to determine 3-D rotations and translations of the rib cage in upright posture from three 2-D digital images. » European Spine Journal 16 (2007): 213-218.

Iunes, D. H., et al. « Comparative analysis between visual and computerized photogrammetry postural assessment. » Brazilian Journal of Physical Therapy 13 (2009): 308-315.

Janik, Tadeusz J., et al. « Validity of a computer postural analysis to estimate 3-dimensional rotations and translations of the head from three 2-dimensional digital images. » Journal of manipulative and physiological therapeutics 30.2 (2007): 124-129.

Kendall, Florence Peterson, et al. Muscles: testing and function with posture and pain. 5th Ed. Baltimore, MD: Lippincott Williams & Wilkins, 2005.

Kim, Woojoo, et al. « Ergonomic postural assessment using a new open-source human pose estimation technology (OpenPose). » International Journal of Industrial Ergonomics 84 (2021): 103164.

Kraus, Hans, and S. Eisenmenger-Weber. « Evaluation of posture based on structural and functional measurements. » Physical Therapy 25.6 (1945): 267-271.

Liao, Iman Yi, Eric Savero Hermawan, and Munir Zaman. « Body landmark detection with an extremely small dataset using transfer learning. » Pattern Analysis and Applications 26.1 (2023): 163-199.

Lindner, Claudia. « Automated image interpretation using statistical shape models. » Statistical shape and deformation analysis. Academic Press, 2017. 3-32.

MacEwan, Charlotte G., and Eugene C. Howe. « An objective method of grading posture. » Research Quarterly. American Physical Education Association 3.3 (1932): 144-157.

Normand, Martin C., et al. « Three dimensional evaluation of posture in standing with the PosturePrint: an intra-and inter-examiner reliability study. » Chiropractic & Osteopathy 15 (2007): 1-11.

Normand, Martin C., et al. « Reliability and measurement error of the biotonix video posture evaluation system—part I: inanimate objects. » Journal of manipulative and physiological therapeutics 25.4 (2002): 246-250.

O'Mahony, Niall, et al. « Deep learning vs. traditional computer vision. » Advances in Computer Vision: Proceedings of the 2019 Computer Vision Conference (CVC), Volume 1 1. Springer International Publishing, 2020.

Zonnenberg, A. J. J., et al. « Intra/interrater reliability of measurements on body posture photographs. » Cranio® 14.4 (1996): 326-331.