207 - Analyse de mouvement sans marqueur pour des applications en santé de précision

Introduction
Les réseaux markerless sont souvent réentraînés sur des images contenant des marqueurs. Ces derniers pourraient aider les réseaux à retrouver les centres articulaires (CA) à cause de leur features distinctes. L’impact de la présence de ces marqueurs est cependant inconnu pour le markerless [1]. L’objectif de cette étude est donc d’étudier cet impact.

Méthode
Deux bases ont été utilisées pour entraîner HRNet à prédire les CA à partir d’images avec marqueurs visibles. La première avec l’exosquelette KneeKG [2] et la seconde RRIS40 [1] avec des petits marqueurs. Le modèle a ensuite été évalué sur des images avec marqueurs visibles puis effacé via inpainting pour observer si l’erreur augmente s’il perd l’information visuelle des marqueurs.

Résultats
La fig.1 montre que lorsque HRNet a été entraîné avec des marqueurs, l’erreur sur des images sans marqueurs (vert) est plus grande que l’erreur sur des images avec (orange).

Conclusion
Si les réseaux sont entraînés avec des images contenant des marqueurs, ils produiront une erreur plus grande sur des images sans marqueurs (objectif du markerless). Ce phénomène augmente avec la taille des marqueurs. Entraîner directement sur les images inpaint pourrait être une solution.
 

L'analyse de mouvement à partir de vidéos RGB connaît une évolution rapide. Plusieurs études ont évalué la précision de ces approches en comparaison à des approches basées sur les marqueurs pour des cas spécifiques (configuration des caméras, tâches étudiées...). Cependant, il manque encore des analyses de sensibilité permettant d'estimer l'impact de la configuration utilisée sur la précision.
Nous proposons une méthode numérique permettant de propager les incertitudes dans la triangulation (reconstruction des points 3D avec des points 2D issus de l'algorithme d'estimation de pose) en fonction de la configuration des caméras. Des données obtenues préalablement sur un participant en marche ont été utilisées afin de quantifier les incertitudes sur les points 2D. Ces incertitudes ont été propagées avec une méthode de Monte-Carlo. Pour chaque instant et chaque caméra, du bruit a été ajouté aux points 2D qui ont ensuite été triangulés pour estimer leur influence sur les points 3D.
Pour une configuration à 9 caméras (résolution: 1920 × 1088), l’incertitude sur les points 2D suit une loi normale centrée d’écart-type σ ≈ 6 pixels, ce qui engendre une incertitude sur l’estimation des points 3D de ±1.45cm (95% des valeurs). Cette valeur est importante par rapport à l’incertitude sur les points 3D obtenus avec des systèmes optoélectroniques. Elle reste cependant du même ordre de grandeur que l’incertitude du positionnement de ces points d’intérêts par rapport aux structures anatomiques.

Je présente notre pipeline novateur pour l'estimation de pose 3D sans marqueur dans les sports de combat. Notre approche utilise une configuration parcimonieuse des caméras (3 ou 4) pour extraire les prédictions de pose 3D pour les athlètes dans les sports de combat. Nous utilisons une optimisation cinématique suivie d'un raffinement de trajectoire basé sur la physique multi-personnes pour atteindre une précision et une robustesse à la pointe dans des conditions difficiles telles que l'occlusion, les mouvements rapides et les interactions rapprochées. Une validation expérimentale sur divers jeux de données sera présentée, y compris un jeu de données composé des boxeurs d'élite.

La locomotion équine est évaluée visuellement par des vétérinaires, mais cela est subjectif. Des systèmes basés sur des capteurs inertiels (IMU) ont été développés pour quantifier la locomotion au trot, mais certaines pathologies sont plus visibles au pas ou au galop. La segmentation des allures peut être réalisée avec du traitement de signal, souvent peu robuste aux chevaux avec des locomotions spécifiques. Certains travaux utilisent des méthodes d’apprentissage machine (ML) pour détecter les allures après sélection des parties du signal avec allure stable. Nous proposons une approche par ML pour segmenter les allures sans pré-sélection et donc utilisable en environnement non-contrôlé, à partir de 7 IMU placés sur le cheval. D’abord, nous détectons les 3 allures principales (pas, trot, galop) et la classe ‘autre’, en extrayant les paramètres principaux des signaux bruts à l’aide d’un encodeur, à l’entrée d’un réseau de neurones convolutif. Ensuite, nous segmentons les types de galops (droite, gauche, désuni) avec des paramètres temporels. Au total, avec 10 ms entre timestamps, les accuracy de prédiction sont 96.7% (pas), 97.2% (trot), 90.6% (galop droit), 88.8% (galop gauche), 86.8% (galop désuni), et 74.9% (autre). Même si la classe autre est plus difficile à segmenter, regroupant des attitudes différentes (arrêt, transition, ruade), les allures sont très bien détectées. Cette méthode peut être utilisée sur des signaux obtenus dans la pratique vétérinaire standard.

L’analyse du mouvement à partir de vidéos se base sur des algorithmes d’estimation de pose qui renvoient des cartes de confiance décrivant la probabilité de présence d’un point d’intérêt (une articulation par exemple) sur une image. Les approches actuelles réduisent ces cartes en ne considérant que le point où la confiance est maximale. Notre hypothèse est que ces cartes de confiance permettent d’avoir une meilleure robustesse lors du calcul de la cinématique avec peu de caméras. A partir de la modélisation de chaque carte de confiance par une fonction Gaussienne 2D, l’optimisation consiste à estimer les poses qui maximisent les confiances des points 3D d’un modèle biomécanique. Cette méthode a été évaluée sur les données de deux participants réalisant trois mouvements (debout-assis, marche et tâche de manutention), filmés par deux caméras et par un système d’analyse du mouvement avec marqueurs. La méthode proposée donne des résultats similaires à la méthode classique d’optimisation basée sur les points d’intérêt triangulés. Cependant, cette dernière n’est pas possible dans 10.7% des cas à cause de points 2D manquants, tandis que l’entièreté des essais a pu être traité avec la méthode par cartes de confiance. Ces résultats soulignent la robustesse de l’utilisation de l’ensemble de l’information de confiance 2D en analyse du mouvement à partir de vidéos dans des conditions expérimentales avec peu de caméras.

Introduction
L’analyse du mouvement du membre supérieur chez les enfants atteints de paralysie cérébrale devrait bénéficier des approches sans marqueurs. Au préalable il faudrait connaitre leur précision L’objectif est de créer une base de données combinant données sans marqueurs et avec marqueur, et d’évaluer la précision des algorithmes.
Méthodes
La base ARGOS visera 20 participants (2–12 ans) réalisant 20 tâches. Cinq enfants (âge moyen 5 ans) ont déjà réalisé 6 tâches (dessiner, jouer avec la pâte à modeler, couper, manger, se coiffer, s’essuyer les fesses) enregistrées par 8 caméras RGB et 10 caméras optoélectroniques qui fourniront les données de référence avec 25 marqueurs (Ø1 mm) positionner sur les centres articulaires (épaule, coude, poignet, main) [1]. Trois réseaux de neurones (HRNet, PoseResnet, RTMPose) ont été comparés à la référence via la distribution des écarts des positions 3D.
Résultats et Discussion
Tous les réseaux de neurones présentent une précision similaire (Figure 1) et légèrement meilleure que celle observée dans la littérature chez les adultes [2].
Conclusions
Le choix du réseau ne semble pas critique pour estimer la cinématique des membres supérieurs chez l’enfant. Une fois finalisée, la base ARGOS sera partagée avec la communauté pour l’entraînement et la validation de futurs modèles. Elle permettra aussi d’analyser l’impact de chaque étape du traitement sans marqueur sur la cinématique et les biomarqueurs. 

Introduction : La capture du mouvement sans marqueurs représente une avancée majeure, ouvrant de nouvelles perspectives en sciences du vivant. On peut utiliser une caméra RGB (p.ex. OpenPose), deux caméras (p.ex. pose2sim) ou un système étendu (p.ex. Theia). Ces technologies peuvent se combiner à d’autres pour, par exemple, calculer la cinétique articulaire. Toutefois, comment s’assurer de l’interopérabilité des systèmes et leur évolution dans un domaine en grande évolution ?
Méthodologie : Grâce à une architecture évolutive, associée à un système d’orchestration des données et à une bibliothèque de calcul dédié en analyse du mouvement, il est possible de créer des pipelines complexes, de visualiser chaque étape, de remplacer des étapes dédiées à la création d’un squelette, tout en comparant l’impact de chaque technologie. 
Résultats : Nos solutions reproduisent l’estimation de la cinématique et cinétique articulaire avec des modèles de référence (Vicon Plug-in Gait, Qualisys IOR) et des écarts inférieurs à 1e-3°, 1N/kg, 1Nm/kg. La lecture des fichiers C3D de Theia, qui stockent des matrices affines 4x4, permet de construire un squelette et comparer les résultats avec les modèles de références.
Discussion : Les algorithmes de reconstruction sans marqueurs évoluent sans cesse. Pourtant, les outils d’analyse du mouvement restent rares et demandent une expertise en biomécanique. La technologie logicielle proposée par Moveck permet une intégration simple, efficace et certifiable.

Nous présentons un système d'analyse cinématique de la plongée à l'aide d'une seule caméra fixe et sans marqueurs sur les plongeurs. L’approche proposée comporte deux étapes. D’abord, un réseau « Faster R-CNN » préentrainé sur COCO, et réentrainé sur un nouvel ensemble de données, détecte les plongeurs, les tremplins et les éclaboussures d'eau sur chaque trame de la vidéo. Les variables cinématiques analysées comprennent la trajectoire du plongeur, les angles et le déplacement du tremplin et le volume de l'éclaboussure. Le système identifie également des points cinématiques spécifiques à la plongée, tels que le point le plus élevé de l’étape de préparation, l'atterrissage, l'enfoncement maximal du tremplin, le décollage, le pic de vol et le contact avec l'eau. Ensuite, le réseau « HRNet », réentrainé sur le même ensemble de données, estime la pose 2D du plongeur et calcule la trajectoire du centre de masse, y compris la position, la vitesse, l'accélération et les angles du tronc, des bras et des jambes du plongeur. Ces étapes de traitement sont intégrées dans un système web facilitant la présentation des résultats. Évalué sur l'ensemble de données DivingFy7797 - comprenant des vidéos d'athlètes canadiens lors des séries mondiales de plongeons de la FINA 2018 et 2019 à Montréal - le système a démontré une grande précision dans la détection des objets (91%) et l'estimation de la pose (97.04%) avec une erreur de position moyenne par articulation de 2,09 cm.