Dai pixel alla postura: L'innovazione di BIOTONIX nel rilevamento anatomico guidato dall'intelligenza artificiale
L'identificazione degli oggetti e dei loro punti di interesse nelle immagini grezze è un compito arduo e lungo, che spesso richiede competenze altamente specializzate. Questo compito rappresenta un primo passo per interpretare le immagini e analizzarle quantitativamente (Lindner 2017).
Un sistema autonomo in grado di svolgere un compito del genere in modo accurato e affidabile potrebbe avere un valore significativo in vari campi di indagine scientifica, come l'analisi morfometrica, l'analisi statistica della forma, la stima della posa, la ricostruzione 3D, ma anche a livello commerciale.
Per citare solo alcuni esempi di settore:
Medicina moderna e fisioterapia si basano molto sull'identificazione precisa di punti anatomici (a seconda del campo di applicazione, vengono utilizzati diversi sinonimi di "punto", come marker, landmark, key point, ecc.) per la diagnosi, il trattamento e la riabilitazione (ad esempio, Ghesu et al. 2016, Fig. 1).
Nel corso degli anni sono stati sviluppati diversi metodi ingegnosi per l'annotazione automatica delle immagini, sia per la segmentazione che per il rilevamento dell'oggetto o dei suoi punti di interesse (ad esempio, rilevamento di punti caratteristici, registrazione di gruppi di immagini, sogliatura, rilevamento dei bordi, approccio a finestra scorrevole). Questi metodi tradizionali richiedono la definizione manuale delle caratteristiche, rendendoli meno flessibili di fronte a condizioni variabili dell'immagine. (O'Mahony et al. 2020)).
I metodi basati sull'apprendimento automatico (ML), come il deep learning (DL), hanno rivoluzionato questo campo negli ultimi anni. Il rilevamento di oggetti, la segmentazione semantica e il rilevamento di punti chiave sono già attività standard di computer vision che traggono vantaggio dal DL, ma richiedono un grande volume di dati annotati, che non è sempre disponibile, poiché l'accumulo richiede tempo e può essere molto costoso.
L'evoluzione della valutazione della postura: Dall'osservazione visiva a quella digitale
Sebbene alcuni metodi più oggettivi di valutazione della postura in piedi utilizzando fotografie (ad es. Kraus & Eisenmenger-Weber 1945; MacEwan et al. 1932) sono 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 da parte degli operatori, generalmente basate sull'osservazione qualitativa delle curvature della colonna vertebrale e del disallineamento del corpo in relazione alla linea di riferimento nelle viste anteriori, posteriori e laterali (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 registrato progressi significativi. I sistemi fotografici per la valutazione della postura statica sono diventati un nuovo standard, aprendo la strada a metodi di valutazione quantitativi. Questi sistemi miravano a ridurre la soggettività insita nelle valutazioni visive e a fornire un processo di misurazione più standardizzato e riproducibile.
Zonnenberg e altri (1996) ha evidenziato il potenziale di questi metodi concentrandosi sulla loro affidabilità intra/inter-rater, mostrando come gli strumenti digitali possano 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 punti anatomici specifici del corpo umano.
I primi passi pionieristici della BIOTONIX POSTURE
In quanto 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). Alla base del sistema BIOTONIX c'era il paradigma stabilito da Kendall e colleghi (Kendall et al. 2005).
Invece di stimare visivamente le deviazioni dall'allineamento della lead line, come prescritto da questi autori, il sistema fotogrammetrico basato su marker di BIOTONIX ha rappresentato un'innovazione, in quanto ha quantificato 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. L'affidamento alla palpazione manuale comportava variazioni intrinseche tra le valutazioni, influenzate dalla competenza e dall'esperienza individuale del fisioterapista valutatore.
Una delle caratteristiche principali del sistema BIOTONIX originale era l'attenzione ai dettagli durante la fase di fotografia. Per garantire che i punti anatomici fossero chiaramente visibili e distinti nelle foto, sono stati utilizzati marcatori di superficie fluorescenti (Fig. 5). Quando il flash della fotocamera veniva attivato, questi marcatori riflettevano intensamente la luce, creando punti ad alto contrasto sulle immagini catturate.
Il forte contrasto garantiva l'inconfondibilità dei punti anatomici, riducendo il rischio di interpretazioni errate durante la fase di valutazione. Questo aspetto era particolarmente cruciale dato il numero di punti valutati e la necessità di un'elevata precisione nella determinazione dell'allineamento posturale.
Utilizzando algoritmi convenzionali di visione computerizzata, il software ha analizzato le immagini, rilevando e registrando le coordinate di ogni punto anatomico ad alto contrasto. Questa automazione non solo ha accelerato il processo, ma ha anche introdotto un nuovo livello di coerenza e precisione nella procedura. Una volta registrate le coordinate, il software ha potuto 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 sono stati brevettati nel 2003 da Sylvain Guimond, Ph.D., e dai suoi colleghi. (Guimond et al. 2003). Intitolato "Sistema e metodo per l'analisi biomeccanica automatizzata, il rilevamento e la correzione delle deviazioni posturali", questo brevetto testimonia lo spirito pionieristico e i risultati tecnici raggiunti dal sistema all'epoca. Negli anni successivi, diversi 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 il DIPA. (Furlanetto et al. 2012) e SAPO (Ferreira et al. 2011).
Utilizzando un questionario con scala del dolore, lo studio ha anche analizzato l'incidenza del dolore corporeo tra i soggetti con diversi tipi di postura. È interessante notare che i soggetti con una postura ideale hanno riportato punteggi di dolore inferiori rispetto agli individui con altre categorie di postura. Questo risultato evidenzia 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 rappresentino un notevole progresso nella pratica clinica, l'identificazione di punti anatomici specifici sul corpo del paziente prima di scattare le foto rimaneva un compito basato sull'ispezione visiva e sulla palpazione, che richiedeva molto tempo e dipendeva dall'esperienza dell'operatore.
Con il progredire della tecnologia, emerge una soluzione rivoluzionaria: un sistema basato sull'intelligenza artificiale iperspecializzato nell'identificazione dei punti anatomici sulle foto digitali.
BIOTONIX 2.0: Abbracciare il futuro con l'autonomia basata sull'intelligenza artificiale
Forte del suo ricco patrimonio e della sua comprovata esperienza, BIOTONIX ha intrapreso un'ambiziosa trasformazione a partire dal 2020. Con il sostegno del Ricerca scientifica e sviluppo sperimentale (SR&ED) del governo federale canadese. L'azienda si è posta l'obiettivo di rivoluzionare la valutazione posturale sviluppando un nuovo sistema autonomo.
BIOTONIX ha deciso di creare un sistema di valutazione posturale autonomo, in grado di escludere la necessità dell'intervento umano. Per raggiungere questo obiettivo, BIOTONIX si è rivolta a tecniche avanzate di intelligenza artificiale (AI), cercando di sfruttare la potenza dell'AI per ottenere una precisione e un'efficienza senza pari.
Perché il passaggio all'intelligenza artificiale?
Sebbene il sistema BIOTONIX originale fosse rivoluzionario per l'epoca, c'erano alcune aree di miglioramento evidenti:
- Efficienza: Il processo di marcatura manuale, per quanto minuzioso, richiedeva molto tempo.
- Coerenza: L'intervento umano, nonostante gli sforzi, ha introdotto variabili che potrebbero influenzare i risultati.
- Scalabilità: Un sistema autonomo offre un potenziale applicativo più ampio, senza essere limitato da processi manuali.
L'IA, con la sua capacità di elaborare rapidamente i dati, imparare da grandi insiemi di dati e fare identificazioni accurate, ha rappresentato una soluzione a queste sfide. Integrando l'IA, BIOTONIX mirava a ridefinire la valutazione posturale, rendendola più veloce, coerente e universalmente applicabile.
Sfruttare i dati: La base della rivoluzione AI di BIOTONIX
Nel campo dell'IA, i dati sono tutto. Per questo, BIOTONIX ha sfruttato un bene inestimabile: un database accuratamente selezionato contenente migliaia di valutazioni posturali. Questa vasta raccolta di dati ha rappresentato una ricchezza di informazioni, gettando le basi per lo sviluppo di tecniche di valutazione posturale basate sull'IA.
Formazione di modelli di intelligenza artificiale specializzati
Utilizzando questo vasto database, BIOTONIX ha iniziato ad addestrare modelli AI altamente specializzati. L'obiettivo era insegnare all'intelligenza artificiale come identificare con precisione i punti anatomici su foto di persone in posizione eretta e rilassata.
I dati sono stati accuratamente annotati e utilizzati in processi di addestramento iterativi, consentendo al modello di imparare a discernere le sfumature più sottili, a riconoscere i modelli e a identificare con precisione i punti anatomici cruciali. Le previsioni dell'intelligenza artificiale sono risultate non solo accurate, ma anche coerenti su un'ampia gamma di posture e tipi di corpo.
Tutti i marcatori anatomici BIOTONIX. Fonte: Guimond et al. 2003.
Punti anatomici riconosciuti in vista LATERALE DESTRA da BIOTONIX AI
La vista laterale destra offre una prospettiva unica, in particolare per valutare l'allineamento del piano sagittale. Il sistema BIOTONIX AI, con il suo impegno per una valutazione completa, identifica 9 punti anatomici critici per questa vista (Fig. 6):
- Trago dell'orecchio destro (SD01)
- Glabella (SD02)
- Metà del mento (SD03)
- Spalla destra sopra l'acromion (SD04)
- Spina iliaca posterosuperiore destra e spina iliaca anterosuperiore destra (SD05 e SD08)
- Trocantere maggiore (SD09)
- Tubercolo di Gerdy (SD10)
- Articolazione tarsale trasversale (SD11)
Punti anatomici riconosciuti in vista FRONTALE da BIOTONIX AI
Sulla base del paradigma analitico stabilito da Kendall e altri (2005)Il modello di vista frontale del sistema BIOTONIX è progettato per riconoscere 16 punti anatomici specifici (Fig. 7). Ognuno di questi punti svolge un ruolo chiave nella comprensione e nella valutazione dell'allineamento posturale sul piano frontale:
- Glabella (FA02)
- Metà del mento (FA04)
- Spalla destra e sinistra sopra l'acromion (FA05 e FA07)
- Incavo giugulare (FA06)
- Ombelico (FA08)
- Spine iliache anteriori superiori destra e sinistra (FA09 e FA11)
- Polso destro e sinistro al di sopra del processo stiloideo del radio (FA12 e FA13)
- Rotula destra e sinistra (FA14 e FA15)
- Centrato tra i malleoli mediale e laterale destro e sinistro (FA16 e FA18)
- Aspetti anteriori delle falangi distali destra e sinistra dell'alluce (FA19 e FA20)
Punti anatomici riconosciuti in vista posteriore da BIOTONIX AI
Sulla base del paradigma analitico stabilito da Kendall e altri (2005)Il modello di vista frontale del sistema BIOTONIX è progettato per riconoscere 16 punti anatomici specifici (Fig. 7). Ognuno di questi punti svolge un ruolo chiave nella comprensione e nella valutazione dell'allineamento posturale sul piano frontale:
- Glabella (FA02)
- Metà del mento (FA04)
- Spalla destra e sinistra sopra l'acromion (FA05 e FA07)
- Incavo giugulare (FA06)
- Ombelico (FA08)
- Spine iliache anteriori superiori destra e sinistra (FA09 e FA11)
- Polso destro e sinistro al di sopra del processo stiloideo del radio (FA12 e FA13)
- Rotula destra e sinistra (FA14 e FA15)
- Centrato tra i malleoli mediale e laterale destro e sinistro (FA16 e FA18)
- Aspetti anteriori delle falangi distali destra e sinistra dell'alluce (FA19 e FA20)
Il sistema rileva inoltre in modo automatico e con grande precisione i tre indicatori di calibrazione situati sul pannello installato dietro al soggetto nell'ambiente clinico.
Applicazioni diverse per un'era moderna
L'approccio innovativo di BIOTONIX va oltre il modello autonomo. L'intelligenza artificiale addestrata per rilevare i punti anatomici è stata integrata in un ecosistema più ampio, adattato alle diverse esperienze e applicazioni degli utenti:
- BIOTONIX Postura: Per un'esperienza più completa, l'applicazione web BIOTONIX Posture offre analisi approfondite, monitoraggio e capacità di reporting. Fornisce una solida piattaforma per valutazioni posturali dettagliate e raccomandazioni.
Conclusione
Dai suoi inizi pionieristici nei sistemi di valutazione posturale nei primi anni 2000 alla sua posizione di leader nella rivoluzione dell'AI nell'analisi biomeccanica, BIOTONIX rimane all'avanguardia dell'innovazione. Con la sua suite di applicazioni e le sue capacità di AI all'avanguardia, promette un futuro in cui la salute posturale è accessibile, accurata e perfettamente integrata nella nostra vita digitale.
Con BIOTONIX, il futuro promette innovazione, precisione e un'incessante ricerca dell'eccellenza.
Per saperne di più sul nostro sistema di intelligenza artificiale o per vederlo in azione, visitate il sito https://biotonixposture.com. Siete interessati a integrarlo nel vostro studio? Contattate il nostro team all'indirizzo https://biotonixposture.com/get-in-touch
Risorse
AAOS, P.C., 1947. La postura e la sua relazione con le disabilità ortopediche. Un rapporto del Comitato per la Postura dell'Accademia Americana dei Chirurghi Ortopedici.
Ferreira, Elizabeth A., et al. "Valutazione quantitativa dell'allineamento posturale nei giovani adulti basata su fotografie di viste anteriori, posteriori e laterali". " Rivista di terapia manipolativa e fisiologica 34.6 (2011): 371-380.
Furlanetto, Tássia Silveira, et al. " Validazione di un metodo di valutazione posturale sviluppato utilizzando un software di Digital Image-based Postural Assessment (DIPA). " Metodi e programmi informatici in biomedicina 108.1 (2012): 203-212.
Ghesu, Florin C., et al. " Un agente artificiale per il rilevamento di punti di riferimento anatomici nelle immagini mediche. " 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. "Sistema e metodo per l'analisi biomeccanica automatizzata e il rilevamento e la correzione delle deviazioni posturali". "Brevetto statunitense n. 6.514.219. 4 febbraio 2003.
Harrison, Deed E., et al. "Postura pelvica statica eretta come rotazioni e traslazioni in 3 dimensioni da tre immagini digitali bidimensionali: convalida di un'analisi computerizzata". " Rivista di terapia manipolativa e fisiologica 31.2 (2008): 137-145.
Harrison, Deed E., et al. "Convalida di un'analisi computerizzata per determinare le rotazioni e le traslazioni tridimensionali della gabbia toracica in postura eretta da tre immagini digitali bidimensionali". " Rivista europea sulla colonna vertebrale 16 (2007): 213-218.
Iunes, D. H., et al. "Analisi comparativa tra valutazione posturale visiva e fotogrammetria computerizzata". " Giornale brasiliano di terapia fisica 13 (2009): 308-315.
Janik, Tadeusz J., et al. "Validità di un'analisi posturale computerizzata per stimare rotazioni e traslazioni tridimensionali della testa da tre immagini digitali bidimensionali". " Rivista di terapia manipolativa e fisiologica 30.2 (2007): 124-129.
Kendall, Florence Peterson, et al. Muscoli: test e funzione con postura e dolore. 5th Ed. Baltimora, MD: Lippincott Williams & Wilkins, 2005.
Kim, Woojoo, et al. " Valutazione posturale ergonomica mediante una nuova tecnologia open-source di stima della posa umana (OpenPose). " Rivista internazionale di ergonomia industriale 84 (2021): 103164.
Kraus, Hans e S. Eisenmenger-Weber. "Valutazione della postura basata su misure strutturali e funzionali. " Terapia fisica 25.6 (1945): 267-271.
Liao, Iman Yi, Eric Savero Hermawan e Munir Zaman. "Rilevamento dei punti di riferimento del corpo con un set di dati estremamente ridotto utilizzando il transfer learning". " Analisi dei modelli e applicazioni 26.1 (2023): 163-199.
Lindner, Claudia. "Interpretazione automatizzata delle immagini mediante modelli statistici di forma". " Analisi statistica della forma e della deformazione. Academic Press, 2017. 3-32.
MacEwan, Charlotte G. e Eugene C. Howe. Un metodo oggettivo di classificazione della postura". " Trimestrale di ricerca. Associazione americana di educazione fisica 3.3 (1932): 144-157.
Normand, Martin C., et al. "Valutazione tridimensionale della postura in piedi con il PosturePrint: uno studio di affidabilità intra e inter-esaminatore". " Chiropratica e osteopatia 15 (2007): 1-11.
Normand, Martin C., et al. " Affidabilità ed errore di misura del sistema di valutazione della postura video biotonix - Parte I: oggetti inanimati. " Rivista di terapia manipolativa e fisiologica 25.4 (2002): 246-250.
O'Mahony, Niall, et al. " Deep learning vs. computer vision tradizionale. " Progressi nella visione computerizzata: Atti della Conferenza sulla Visione Artificiale del 2019 (CVC), Volume 1 1. Springer International Publishing, 2020.
Zonnenberg, A. J. J., et al. "Affidabilità intra/interrater di misurazioni su fotografie di postura corporea". " Cranio® 14.4 (1996): 326-331.