Des pixels à la posture : L'innovation de BIOTONIX dans la détection anatomique pilotée par l'IA
L'identification des objets et de leurs points d'intérêt dans les images brutes est une tâche ardue, qui prend du temps et nécessite souvent des compétences hautement spécialisées. Cette tâche représente une première étape dans l'interprétation des images et leur analyse quantitative (Lindner 2017).
Un système autonome capable d'effectuer une telle tâche de manière précise et fiable pourrait être d'une grande utilité dans divers domaines de recherche scientifique, tels que l'analyse morphométrique, l'analyse statistique des formes, l'estimation de la pose, la reconstruction en 3D, mais aussi sur le plan commercial.
Pour ne citer que quelques exemples industriels :
Médecine moderne et physiothérapie reposent largement sur l'identification précise de 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 rééducation (par exemple, Ghesu et al. 2016, Fig. 1).
Au fil des ans, un certain nombre de méthodes ingénieuses ont été développées pour l'annotation automatique d'images, que ce soit pour la segmentation ou la détection de l'objet ou de ses points d'intérêt (par exemple, la détection de points caractéristiques, le recalage d'images de groupe, le seuillage, la détection de bords, l'approche de la fenêtre coulissante). Ces méthodes traditionnelles nécessitent 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 basées sur l'apprentissage machine (ML), telles que l'apprentissage profond (DL), 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'apprentissage profond, mais elles nécessitent un grand volume de données annotées, qui n'est pas toujours disponible, car cette accumulation prend du temps et peut être très coûteuse.
L'évolution de l'évaluation de la posture : De l'observation visuelle à l'observation numérique
Bien que certaines méthodes plus objectives d'évaluation de la posture debout à l'aide de photographies (par ex. Kraus & Eisenmenger-Weber 1945 ; MacEwan et al. 1932) ont été proposées dès la première moitié du 20e siècle, avant l'avènement de la technologie numérique moderne, l'évaluation de la posture reposait principalement sur des examens anamnestiques et des observations visuelles par des praticiens, généralement basées sur l'observation qualitative des courbures de la colonne vertébrale et du désalignement du corps par rapport à la ligne de plomb dans les vues antérieures, postérieures et latérales (Iunes et al. 2009). Bien que cette méthode ait fourni des informations précieuses, elle reste inévitablement subjective et dépend largement de l'expertise individuelle de l'évaluateur.
Avec la popularisation des appareils photo numériques dans les années 1990, le domaine a connu des progrès significatifs. Les systèmes photographiques d'évaluation de la posture statique sont devenus 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 fournir un processus de mesure plus normalisé et reproductible.
Zonnenberg et al (1996) a mis en évidence le potentiel de ces méthodes en se concentrant sur leur fiabilité intra/inter-juges, en montrant comment les outils numériques pouvaient offrir une cohérence dans les mesures sur les photographies de la posture du corps (Fig. 4). Toutefois, pour pouvoir évaluer quantitativement les déviations posturales, il est nécessaire d'identifier avec précision des points anatomiques spécifiques sur le corps humain.
Les premiers pas de BIOTONIX POSTURE sont pionniers
Pionnière dans le développement de systèmes photographiques pour l'évaluation quantitative de la posture, l'histoire de BIOTONIX, qui a vu le jour 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).
Au lieu d'estimer visuellement les écarts par rapport à l'alignement de la ligne de plomb, comme le prescrivent ces auteurs, le système photogrammétrique à base de marqueurs de BIOTONIX représente une innovation, car il quantifie ces écarts en enregistrant les images et les coordonnées des points de référence anatomiques en unités métriques.
Bien que novatrice et efficace à l'époque, cette approche n'était pas sans poser de problèmes. La dépendance à l'égard de la palpation manuelle impliquait des variations inhérentes entre les évaluations, influencées par l'expertise et l'expérience individuelles du physiothérapeute chargé de l'évaluation.
L'une des caractéristiques remarquables du système BIOTONIX original était l'attention portée aux détails lors de la phase de photographie. Pour s'assurer que les points anatomiques étaient clairement visibles et distincts sur les photos, des marqueurs de surface fluorescents ont été utilisés (Fig. 5). Lorsque le flash de l'appareil photo était activé, ces marqueurs réfléchissaient intensément la lumière, créant des points très contrastés sur les images capturées.
Le contraste frappant a permis de rendre les points anatomiques bien visibles, réduisant ainsi le risque d'erreur d'interprétation pendant la phase d'évaluation. Cet aspect était particulièrement important 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 conventionnels de vision par ordinateur, le logiciel a analysé les images, détectant et enregistrant les coordonnées de chaque point anatomique à fort contraste. Cette automatisation a permis non seulement d'accélérer le processus, mais aussi d'introduire un nouveau niveau de cohérence et de précision dans la procédure. Une fois les coordonnées enregistrées, le logiciel peut alors calculer les déviations posturales, en comparant l'alignement postural observé avec l'idéal préétabli.
L'approche innovante et la méthodologie qui sous-tendent le système original de BIOTONIX ont été brevetées en 2003 par Sylvain Guimond, Ph.D., et ses collègues. (Guimond et al. 2003). Intitulé "Système et méthode d'analyse biomécanique automatisée, de détection et de correction des déviations posturales", ce brevet témoigne de l'esprit pionnier et des réalisations techniques du système à l'époque. Au cours des années suivantes, différents 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 le DIPA. (Furlanetto et al. 2012) et SAPO (Ferreira et al. 2011).
À l'aide d'un questionnaire sur l'échelle de la douleur, l'étude a également examiné l'incidence de la douleur corporelle chez les sujets présentant différents types de posture. Il est intéressant de noter que les personnes ayant une posture idéale ont signalé des scores de douleur inférieurs à ceux des personnes ayant d'autres types de posture. Cette constatation souligne l'importance de maintenir une posture correcte pour réduire le risque de douleur et d'inconfort.
Le problème : le défi de l'identification des points anatomiques pour l'évaluation de la posture
Bien que les méthodes photographiques d'analyse quantitative de la posture représentent une avancée considérable dans la pratique clinique, l'identification de points anatomiques spécifiques sur le corps du patient avant la prise de photos reste une tâche basée sur l'inspection visuelle et la palpation, qui prend du temps et dépend de l'expertise du praticien.
Au fur et à mesure que la technologie progresse, une solution révolutionnaire émerge : un système basé sur l'IA hyper-spécialisé dans l'identification de points anatomiques sur des photos numériques.
BIOTONIX 2.0 : L'autonomie alimentée par l'IA, un atout pour l'avenir
S'appuyant sur son riche héritage et son expertise éprouvée, BIOTONIX s'est engagé dans une transformation ambitieuse à partir de 2020. Avec le soutien de la Recherche scientifique et développement expérimental (RS&DE) du gouvernement fédéral canadien l'entreprise s'est fixé 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 se passer de l'intervention humaine. Pour ce faire, BIOTONIX s'est tourné vers des techniques avancées d'intelligence artificielle (IA), cherchant à exploiter la puissance de l'IA pour une précision et une efficacité inégalées.
Pourquoi passer à l'IA ?
Bien que le système BIOTONIX original ait été révolutionnaire pour l'époque, il y avait des domaines évidents à améliorer :
- Efficacité: Le processus de marquage manuel, bien que minutieux, prenait beaucoup de temps.
- Cohérence: L'intervention humaine, malgré les efforts déployés, a introduit des variables susceptibles d'influencer les résultats.
- Évolutivité: Un système autonome offre un potentiel d'application plus large, sans être limité par des 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, représentait 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 de l'IA de BIOTONIX
Dans le domaine de l'IA, les données sont essentielles. C'est pourquoi 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 représente une mine d'informations, jetant les bases du développement de techniques d'évaluation posturale alimentées par l'IA.
Formation de modèles d'IA spécialisés
À partir 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 et détendue.
Les données ont été soigneusement annotées et utilisées dans des processus d'entraînement itératifs, ce qui a permis au modèle d'apprendre à discerner des nuances subtiles, à reconnaître des modèles et à identifier avec précision des points anatomiques cruciaux. Les prédictions de l'IA étaient non seulement précises, mais aussi cohérentes pour un large éventail de postures et de types de corps.
Tous les marqueurs anatomiques BIOTONIX. Source : Guimond et al : Guimond et al. 2003.
Points anatomiques reconnus en vue LATÉRALE DROITE par BIOTONIX AI
La vue latérale droite offre une perspective unique, en particulier pour évaluer l'alignement du plan sagittal. Le système BIOTONIX AI, qui s'engage à réaliser une évaluation complète, identifie 9 points anatomiques critiques pour cette vue (Fig. 6) :
- Tragus de l'oreille droite (SD01)
- Glabella (SD02)
- Milieu du menton (SD03)
- Epaule 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 BIOTONIX AI
Sur la base du 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 :
- Glabella (FA02)
- Milieu du menton (FA04)
- Épaules droite et gauche au-dessus de l'acromion (FA05 et FA07)
- Entaille jugulaire (FA06)
- Ombilic (FA08)
- Épines iliaques antéro-supérieures droite et gauche (FA09 et FA11)
- Poignets droit et gauche au-dessus de l'apophyse styloïde du radius (FA12 et FA13)
- Rotules droite et gauche (FA14 et FA15)
- Centré entre les malléoles médiales et latérales droite et gauche (FA16 et FA18)
- Face antérieure des phalanges distales droite et gauche du gros orteil (FA19 et FA20)
Points anatomiques reconnus en vue postérieure par BIOTONIX AI
Sur la base du 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 :
- Glabella (FA02)
- Milieu du menton (FA04)
- Épaules droite et gauche au-dessus de l'acromion (FA05 et FA07)
- Entaille jugulaire (FA06)
- Ombilic (FA08)
- Épines iliaques antéro-supérieures droite et gauche (FA09 et FA11)
- Poignets droit et gauche au-dessus de l'apophyse styloïde du radius (FA12 et FA13)
- Rotules droite et gauche (FA14 et FA15)
- Centré entre les malléoles médiales et latérales droite et gauche (FA16 et FA18)
- Face antérieure des phalanges distales droite et gauche du gros orteil (FA19 et FA20)
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 l'ère moderne
L'approche innovante de BIOTONIX va au-delà du modèle autonome. L'IA formée à la détection des points anatomiques a été intégrée dans un écosystème plus large, adapté aux différentes expériences et applications des utilisateurs :
- BIOTONIX Posture: Pour une expérience plus complète, l'application web BIOTONIX Posture offre des capacités d'analyse, de suivi et de reporting approfondies. Elle constitue une plateforme robuste pour des évaluations posturales détaillées et des recommandations.
Conclusion
Depuis ses débuts pionniers dans les systèmes d'évaluation posturale au début des années 2000 jusqu'à sa position de leader dans la révolution de l'IA dans l'analyse biomécanique, BIOTONIX reste à la pointe 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 intégrée de manière transparente dans nos vies numériques.
Avec BIOTONIX, l'avenir promet l'innovation, la précision et la recherche incessante de l'excellence.
Pour en savoir plus sur notre système d'IA ou le voir à l'œuvre, consultez le site suivant https://biotonixposture.com. Vous souhaitez l'intégrer à votre pratique ? Contactez notre équipe à https://biotonixposture.com/get-in-touch
Ressources
AAOS, P.C., 1947. Posture and its Relationship to Orthopaedic Disabilities. Rapport du comité sur la posture de l'Académie américaine des chirurgiens orthopédiques.
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 (Journal des thérapies manipulatives et physiologiques) 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. " Méthodes et programmes informatiques en biomédecine 108.1 (2012): 203-212.
Ghesu, Florin C., et al. " An artificial agent for anatomical landmark detection in medical images. " Informatique de l'image médicale et intervention assistée par ordinateur-MICCAI 2016 : 19th International Conference, Athènes, Grèce, 17-21 octobre 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 (Journal des thérapies manipulatives et physiologiques) 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. " Journal européen de la colonne vertébrale 16 (2007): 213-218.
Iunes, D. H., et al. " Comparative analysis between visual and computerized photogrammetry postural assessment. " Revue brésilienne de physiothérapie 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 (Journal des thérapies manipulatives et physiologiques) 30.2 (2007): 124-129.
Kendall, Florence Peterson, et al. Muscles : test et fonction avec la posture et la douleur. 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). " Revue internationale d'ergonomie industrielle 84 (2021): 103164.
Kraus, Hans, et S. Eisenmenger-Weber. "Évaluation de la posture sur la base de mesures structurelles et fonctionnelles. " Thérapie physique 25.6 (1945): 267-271.
Liao, Iman Yi, Eric Savero Hermawan, et Munir Zaman. "Détection de repères corporels avec un ensemble de données extrêmement réduit en utilisant l'apprentissage par transfert. " Analyse de modèles et applications 26.1 (2023): 163-199.
Lindner, Claudia. "Interprétation automatisée d'images à l'aide de modèles de formes statistiques. " Analyse statistique de la forme et de la déformation. Academic Press, 2017. 3-32.
MacEwan, Charlotte G., et Eugene C. Howe. "An objective method of grading posture. " Research Quarterly. Association américaine d'éducation physique 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. " Chiropratique et ostéopathie 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 (Journal des thérapies manipulatives et physiologiques) 25.4 (2002): 246-250.
O'Mahony, Niall, et al. " Deep learning vs. traditional computer vision. " Avancées dans le domaine de la vision par ordinateur : Actes de la conférence 2019 sur la vision par ordinateur (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.