Dai pixel alla postura: l'innovazione di BIOTONIX nel rilevamento anatomico basato sull'IA

Identificare oggetti e i loro punti di interesse in immagini grezze è un compito arduo e dispendioso in termini di tempo, che spesso richiede competenze altamente specializzate. Questo compito rappresenta un primo passo nell'interpretazione delle immagini e nella loro analisi quantitativa (Lindner 2017).

Un sistema autonomo capace di svolgere tale compito in modo accurato e affidabile potrebbe avere un valore significativo in vari campi della ricerca scientifica, come l'analisi morfometrica, l'analisi statistica della forma, la stima della posa, la ricostruzione 3D, ma anche sul piano commerciale.

Per citare solo alcuni esempi industriali:

La medicina moderna e la fisioterapia si basano largamente sull'identificazione precisa dei punti anatomici (a seconda del campo di applicazione, si usano diversi sinonimi di « punto », come marcatore, repere, punto chiave, ecc.) per la diagnosi, il trattamento e la riabilitazione (per es. Ghesu et al. 2016, Fig. 1).

Le industrie della moda e dell'abbigliamento possono sfruttare questa tecnologia per effettuare misurazioni biometriche precise. Identificando i punti anatomici chiave, i designer possono creare capi più aderenti, riducendo il numero di resi e aumentando la soddisfazione dei clienti. Potrebbe inoltre rivoluzionare lo shopping online, consentendo prove virtuali con raccomandazioni di taglia precise (per es. Liao et al. 2023, Fig. 2).

L'ergonomia e la progettazione delle postazioni di lavoro dipendono in modo cruciale dalla comprensione dell'anatomia dell'individuo. Misurazioni accurate possono guidare la progettazione di mobili per ufficio, strumenti e spazi di lavoro che riducono il rischio di disturbi muscolo-scheletrici e aumentano la produttività (per es. Kim et al. 2021, Fig. 3).

Nel corso degli anni sono stati sviluppati numerosi metodi ingegnosi per l'annotazione automatica delle immagini, sia per la segmentazione sia per il rilevamento dell'oggetto o dei suoi punti di interesse (per es. rilevamento di punti caratteristici, registrazione di gruppo delle immagini, sogliatura, rilevamento dei bordi, approccio a finestra scorrevole). Questi metodi tradizionali richiedono la definizione manuale delle caratteristiche, il che li rende meno flessibili di fronte a condizioni d'immagine variabili (O'Mahony et al. 2020).

I metodi basati sull'apprendimento automatico (ML), come l'apprendimento profondo (DL), hanno rivoluzionato questo campo negli ultimi anni. Il rilevamento di oggetti, la segmentazione semantica e il rilevamento dei punti chiave sono già compiti standard della visione artificiale che beneficiano del DL; tuttavia richiedono un grande volume di dati annotati, non sempre disponibili, poiché tale accumulo è dispendioso in termini di tempo e può essere molto costoso.

L'evoluzione della valutazione posturale: dall'osservazione visiva a quella digitale

Sebbene metodi più oggettivi di valutazione della postura eretta tramite fotografie (per es. Kraus & Eisenmenger-Weber 1945; MacEwan et al. 1932) siano stati proposti già nella prima metà del XX secolo, prima dell'avvento della moderna tecnologia digitale la valutazione della postura si basava principalmente su esami anamnestici e osservazioni visive dei professionisti, generalmente fondate sull'osservazione qualitativa delle curvature della colonna e del disallineamento del corpo rispetto al filo a piombo nelle viste anteriore, posteriore e laterale (Iunes et al. 2009). Sebbene questo metodo abbia fornito informazioni preziose, rimane inevitabilmente soggettivo e largamente dipendente dall'esperienza individuale del valutatore.

Con la diffusione delle fotocamere digitali negli anni '90, il settore ha compiuto progressi significativi. I sistemi fotografici per la valutazione della postura statica si sono affermati come nuovo standard, aprendo la strada a metodi di valutazione quantitativa. Questi sistemi miravano a ridurre la soggettività insita nelle valutazioni visive e a offrire un processo di misurazione più standardizzato e riproducibile.

Zonnenberg et al. (1996) hanno evidenziato il potenziale di questi metodi concentrandosi sulla loro affidabilità intra/inter-valutatore, mostrando come gli strumenti digitali potessero offrire coerenza nelle misurazioni su fotografie della postura corporea (Fig. 4). Tuttavia, per poter valutare quantitativamente le deviazioni posturali è necessaria l'identificazione precisa di specifici punti anatomici sul corpo umano.

I primi passi pionieristici di BIOTONIX POSTURE

Pioniere nello sviluppo di sistemi fotografici per la valutazione quantitativa della postura, la storia di BIOTONIX, nata all'inizio degli anni 2000, è strettamente legata alla storia dello sviluppo scientifico in questo campo (Guimond et al. 2003). Al centro del sistema BIOTONIX c'era il paradigma stabilito da Kendall e colleghi (Kendall et al. 2005).

Invece di stimare visivamente le deviazioni rispetto all'allineamento del filo a piombo, come prescritto da questi autori, il sistema fotogrammetrico basato su marcatori di BIOTONIX rappresentava un'innovazione, poiché quantificava queste deviazioni registrando immagini e coordinate di punti di riferimento anatomici in unità metriche.

Sebbene innovativo ed efficace per l'epoca, questo approccio non era privo di sfide. La dipendenza dalla palpazione manuale comportava variazioni intrinseche tra le valutazioni, influenzate dall'esperienza e dalla competenza individuali del fisioterapista valutatore.

Una delle caratteristiche eccezionali del sistema BIOTONIX originale era la cura del dettaglio durante la fase fotografica. Per garantire che i punti anatomici fossero chiaramente visibili e distinti nelle foto, venivano utilizzati marcatori di superficie fluorescenti (Fig. 5). Quando il flash della fotocamera si attivava, questi marcatori riflettevano intensamente la luce, creando punti ad alto contrasto sulle immagini acquisite.

Il contrasto marcato garantiva che i punti anatomici fossero inconfondibili, riducendo il rischio di interpretazioni errate durante la fase di valutazione. Ciò era particolarmente cruciale dato il numero di punti valutati e la necessità di grande precisione nella determinazione dell'allineamento posturale.

Utilizzando algoritmi convenzionali di visione artificiale, il software analizzava le immagini, rilevando e registrando le coordinate di ciascun punto anatomico ad alto contrasto. Questa automazione non solo accelerava il processo, ma introduceva anche un nuovo livello di coerenza e precisione nella procedura. Una volta registrate le coordinate, il software poteva quindi calcolare le deviazioni posturali, confrontando l'allineamento posturale osservato con l'ideale prestabilito.

L'approccio innovativo e la metodologia alla base del sistema originale di BIOTONIX furono brevettati nel 2003 da Sylvain Guimond, Ph.D., e dai suoi colleghi (Guimond et al. 2003). Intitolato « System and method for automated biomechanical analysis, detection and correction of postural deviations », questo brevetto testimonia lo spirito pionieristico e i traguardi tecnici del sistema all'epoca. Negli anni successivi, vari gruppi di ricerca hanno convalidato l'affidabilità del sistema (Harrison et al. 2008, 2007; Janik et al. 2007; Normand et al. 2007, 2002).

Questa metodologia brevettata ha stabilito un nuovo standard nel mondo dell'analisi biomeccanica, segnando il passaggio da metodi puramente manuali ad approcci più automatizzati e standardizzati, come DIPA (Furlanetto et al. 2012) e SAPO (Ferreira et al. 2011).

Utilizzando un questionario su scala del dolore, lo studio ha anche esaminato l'incidenza del dolore corporeo tra soggetti con diversi tipi di postura. È interessante notare che coloro che avevano una postura ideale riportavano punteggi di dolore inferiori rispetto agli individui appartenenti ad altre categorie posturali. Questo risultato sottolinea l'importanza di mantenere una postura corretta per ridurre il rischio di dolore e disagio.

Il problema: la sfida di identificare i punti anatomici per la valutazione posturale

Sebbene i metodi fotografici per l'analisi quantitativa della postura rappresentassero un notevole progresso nella pratica clinica, l'identificazione di specifici punti anatomici sul corpo del paziente prima dello scatto delle foto rimaneva un compito basato sull'ispezione visiva e la palpazione, dispendioso in termini di tempo e dipendente dall'esperienza del professionista.

Con l'avanzare della tecnologia, emerge una soluzione rivoluzionaria: un sistema basato sull'IA, iper-specializzato nell'identificazione di punti anatomici su foto digitali.

BIOTONIX 2.0: abbracciare il futuro con un'autonomia basata sull'IA

Basandosi sul suo ricco patrimonio e sulla sua comprovata esperienza, BIOTONIX ha intrapreso un'ambiziosa trasformazione a partire dal 2020. Con il sostegno del programma di Ricerca scientifica e sviluppo sperimentale (RS&DE) del governo federale canadese, l'azienda si è posta l'obiettivo di rivoluzionare la valutazione posturale sviluppando un nuovo sistema autonomo.

BIOTONIX si è proposta di creare un sistema di valutazione posturale autonomo, capace di aggirare la necessità dell'intervento umano. Per riuscirci, BIOTONIX si è rivolta a tecniche avanzate di intelligenza artificiale (IA), cercando di sfruttare la potenza dell'IA per una precisione e un'efficienza senza pari.

Perché il passaggio all'IA?

Sebbene il sistema BIOTONIX originale fosse rivoluzionario per l'epoca, alcuni margini di miglioramento erano evidenti:

• Efficienza: il processo di marcatura manuale, per quanto meticoloso, era dispendioso in termini di tempo.
• Coerenza: l'intervento umano, nonostante gli sforzi, introduceva variabili in grado di influenzare i risultati.
• Scalabilità: un sistema autonomo offre un potenziale di applicazione più ampio, senza essere limitato dai processi manuali.

L'IA, con la sua capacità di elaborare rapidamente i dati, apprendere da grandi insiemi di dati ed effettuare identificazioni precise, offriva una soluzione a queste sfide. Integrando l'IA, BIOTONIX mirava a ridefinire la valutazione posturale, rendendola più rapida, più coerente e universalmente applicabile.

Sfruttare i dati: il fondamento della rivoluzione IA di BIOTONIX

Nel campo dell'IA, i dati sono tutto. Consapevole di ciò, BIOTONIX ha sfruttato una risorsa inestimabile: un database accuratamente selezionato contenente migliaia di valutazioni posturali. Questa vasta raccolta di dati rappresentava una miniera di informazioni, ponendo le basi per lo sviluppo di tecniche di valutazione posturale basate sull'IA.

Addestrare modelli di IA specializzati

Utilizzando questo vasto database, BIOTONIX ha iniziato ad addestrare modelli di IA altamente specializzati. L'obiettivo era insegnare all'IA a identificare con precisione i punti anatomici su foto di persone in posizione eretta rilassata.

I dati sono stati accuratamente annotati e utilizzati in processi di addestramento iterativi, consentendo al modello di imparare a discernere sottili sfumature, riconoscere schemi e identificare con precisione punti anatomici cruciali. Le previsioni dell'IA erano non solo accurate, ma anche coerenti su un'ampia gamma di posture e tipi corporei.

Punti anatomici riconosciuti in vista LATERALE DESTRA dall'IA di BIOTONIX

La vista laterale destra offre una prospettiva unica, particolarmente per valutare l'allineamento sul piano sagittale. Il sistema di IA di BIOTONIX, fedele al suo impegno per una valutazione completa, identifica 9 punti anatomici critici per questa vista (Fig. 6):

• Trago dell'orecchio destro (SD01)
• Glabella (SD02)
• Centro del mento (SD03)
• Spalla destra sopra l'acromion (SD04)
• Spina iliaca postero-superiore destra e spina iliaca antero-superiore destra (SD05 e SD08)
• Grande trocantere (SD09)
• Tubercolo di Gerdy (SD10)
• Articolazione trasversa del tarso (SD11)

Punti anatomici riconosciuti in vista FRONTALE dall'IA di BIOTONIX

Basato sul paradigma analitico stabilito da Kendall et al. (2005), il modello della vista frontale del sistema BIOTONIX è progettato per riconoscere 16 punti anatomici specifici (Fig. 7). Ciascuno di questi punti svolge un ruolo chiave nella comprensione e nella valutazione dell'allineamento posturale sul piano frontale:

• Glabella (FA02)
• Centro del mento (FA04)
• Spalle destra e sinistra sopra l'acromion (FA05 e FA07)
• Incisura giugulare (FA06)
• Ombelico (FA08)
• Spine iliache antero-superiori destra e sinistra (FA09 e FA11)
• Polsi destro e sinistro sopra il processo stiloideo del radio (FA12 e FA13)
• Rotule destra e sinistra (FA14 e FA15)
• Centrato tra i malleoli mediale e laterale destro e sinistro (FA16 e FA18)
• Facce anteriori delle falangi distali destra e sinistra dell'alluce (FA19 e FA20)

Punti anatomici riconosciuti in vista POSTERIORE dall'IA di BIOTONIX

Basandosi sulla sua fondazione analitica, il sistema di IA di BIOTONIX per la vista posteriore individua 14 punti anatomici specifici essenziali per una valutazione posturale completa (Fig. 8). Questi punti offrono informazioni sull'allineamento della colonna vertebrale, delle spalle, del bacino e degli arti inferiori:

• Processo spinoso della 7ª vertebra cervicale (FP03)
• Spalle destra e sinistra sopra l'acromion (FP04 e FP05)
• Processo spinoso della 5ª vertebra toracica (FP06)
• Spine iliache postero-superiori destra e sinistra (FP09 e FP07)
• Polsi destro e sinistro sopra il processo stiloideo dell'ulna (FP11 e FP10)
• Centro delle fosse poplitee destra e sinistra (FP13 e FP12)
• Tendine d'Achille destro e sinistro a livello del malleolo mediale (FP16 e FP14)
• Calcagno del piede destro e sinistro (FP19 e FP17)

Il sistema rileva inoltre automaticamente e con grande precisione i quattro marcatori di calibrazione situati sul pannello installato dietro il soggetto nell'ambiente clinico.

Applicazioni diverse per un'era moderna

L'approccio innovativo di BIOTONIX va oltre il modello autonomo. L'IA addestrata a rilevare i punti anatomici è stata integrata in un ecosistema più ampio, adattato a diverse esperienze utente e applicazioni:

• BIOTONIX Posture: per un'esperienza più completa, l'applicazione web BIOTONIX Posture offre funzionalità di analisi approfondita, monitoraggio e reportistica. Fornisce una piattaforma robusta per valutazioni posturali dettagliate e raccomandazioni.

Conclusione

Dai suoi inizi pionieristici nei sistemi di valutazione posturale all'inizio degli anni 2000 fino alla sua posizione di leadership nella rivoluzione dell'IA nell'analisi biomeccanica, BIOTONIX rimane all'avanguardia dell'innovazione. Con la sua suite di applicazioni e le sue capacità di IA all'avanguardia, promette un futuro in cui la salute posturale è accessibile, accurata e perfettamente integrata nelle nostre vite digitali.

Con BIOTONIX, il futuro promette innovazione, precisione e una ricerca incessante dell'eccellenza.

Per saperne di più sul nostro sistema di IA, o per vederlo in azione, visita https://biotonixposture.com. Vuoi integrarlo nella tua pratica? Contatta il nostro team all'indirizzo https://biotonixposture.com/get-in-touch

Riferimenti

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.