Introduction
Identifier des objets et leurs points d’intérêt dans des images brutes est une tâche ardue, chronophage et nécessitant souvent des compétences très spécialisées. Cette tâche représente 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 valeur significative dans divers domaines d’investigation scientifique, tels que l’analyse morphométrique, l’analyse statistique des formes, l’estimation de pose, la reconstruction 3D, mais également sur le plan commercial.
Pour nommer quelques exemples dans l’industrie :
La médecine moderne et la physiothérapie dépendent fortement de l’identification précise des points anatomiques (selon le domaine d’application, plusieurs synonymes pour « point » sont utilisés, tels que marqueur, repère, point clé, etc.) pour le diagnostic, le traitement et la rééducation (par example, Ghesu et al. 2016, Fig. 1).
Figure 1 – Repères détectés dans les images médicales. Source: Ghesu et al. 2016.
Les industries de la mode et de la confection peuvent tirer parti de cette technologie pour prendre des mesures biométriques précises. En identifiant des points anatomiques clés, les designers peuvent créer des vêtements mieux ajustés, réduisant le nombre de retours et augmentant la satisfaction des clients. Cela pourrait également révolutionner le shopping en ligne, en permettant des essayages virtuels avec des recommandations de taille précises (par example, Liao et al. 2023, Fig. 2).
Figure 2 – Détection de points corporels pour services de tailleur sur mesure. Source: Liao et al. 2023.
L’ergonomie et la conception des postes de travail reposent crucialement sur la 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 (par example, Kim et al. 2021, Fig. 3).
Figure 3 – Suivi squelettique utilisant trois systèmes différents. Source: Kim et al. 2021.
Au fil des ans, plusieurs méthodes ingénieuses d’annotation automatique d’images, qu’il s’agisse de segmentation ou de détection de l’objet ou de ses points d’intérêt (par exemple, détection de points caractéristiques, enregistrement d’images en groupe, seuillage, détection des contours, approche par fenêtre glissante), ont été développées. Ces méthodes traditionnelles nécessitent une définition manuelle des caractéristiques, ce qui les rend moins flexibles face à la variabilité des conditions d’image. (O’Mahony et al. 2020).
Les méthodes basées sur l’apprentissage automatique (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 en vision par ordinateur qui bénéficient du DL, cependant, elles nécessitent un grand volume de données annotées, qui ne sont pas toujours disponibles, car cette accumulation prend du temps et peut être très coûteuse.
L’Évolution de l’Évaluation de la Posture : De l’Observation Visuelle au Numérique
Bien que certaines méthodes plus objectives d’évaluation de la posture debout utilisant des photographies (par example, Kraus & Eisenmenger-Weber 1945; MacEwan et al. 1932) aient été proposées dès la première moitié du XXe 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 les praticiens, basées généralement sur l’observation qualitative des courbures de la colonne vertébrale et du désalignement corporel par rapport à la ligne de plomb en vue antérieure, postérieure et latérale (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 un progrès significatif. Les systèmes photographiques pour l’évaluation de la posture statique ont émergé 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 fournir un processus de mesure plus standardisé et reproductible.
Zonnenberg et al. (1996) ont mis en lumière le potentiel de ces méthodes en se concentrant sur leur fiabilité intra/inter-évaluateurs, montrant comment les outils numériques pouvaient offrir une cohérence dans les mesures sur des photographies de posture corporelle (Fig. 4). Cependant, pour pouvoir évaluer quantitativement les déviations posturales, une identification précise des points anatomiques spécifiques sur le corps humain est nécessaire.
Figure 4 – Configuration photographique de base pour l’analyse quantitative de la posture. Source: Zonnenberg et al. (1996).
Les Premiers Pas Pionniers de BIOTONIX
En tant que pionnier 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 de BIOTONIX se trouvait le paradigme établi par Kendall et ses collaborateurs (Kendall et al. 2005).
Au lieu d’estimer visuellement les déviations par rapport à l’alignement de la ligne de plomb, comme prescrit par ces auteurs, le système photogrammétrique basé sur des marqueurs de BIOTONIX représentait une innovation, car il permettait de quantifier ces déviations en enregistrant des images et des 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 impliquait des variations inhérentes entre les évaluations, influencées par l’expertise et l’expérience individuelles du physiothérapeute évaluateur.
L’une des caractéristiques remarquables du système original de BIOTONIX était son attention particulière 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 fluorescents de surface étaient utilisés (Fig. 5). Lorsque le flash de l’appareil photo était activé, ces marqueurs reflétaient intensément la lumière, créant des points à contraste élevé sur les images capturées.
Figure 5 – L’assemblage de la sphère de marqueur rétro-réfléchissant et de l’autocollant d’application (gauche) et la construction de l’autocollant de marqueur rétro-réfléchissant (droite). Source: Guimond et al. 2003.
Le contraste saisissant garantissait que les points anatomiques étaient indéniables, réduisant ainsi les risques de mauvaise interprétation lors de la phase d’évaluation. Cela était particulièrement crucial compte tenu du nombre de points évalués et du besoin d’une grande précision dans la détermination de l’alignement postural.
En utilisant des algorithmes classiques de vision par ordinateur, le logiciel analysait les images, détectant et enregistrant les coordonnées de chaque point anatomique à contraste élevé. Cette automatisation a non seulement accéléré le processus, mais a également introduit un nouveau niveau de cohérence et de précision dans la procédure. Une fois les coordonnées enregistrées, le logiciel pouvait ensuite calculer les déviations posturales, en comparant l’alignement postural observé avec l’idéal préétabli.
L’approche innovante et la méthodologie derrière le système original de BIOTONIX ont été brevetées en 2003 par Sylvain Guimond, Ph.D., et ses collaborateurs (Guimond et al. 2003). Intitulé « Système et méthode pour l’analyse biomécanique automatisée et la détection et la correction des déviations posturales », ce brevet témoigne de l’esprit pionnier et des réalisations techniques du système à cette 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 un passage des méthodes purement manuelles vers des approches plus automatisées et standardisées, telles que DIPA (Furlanetto et al. 2012) et SAPO (Ferreira et al. 2011).
Le Problème : Le Défi de l’Identification des Points Anatomiques pour l’Évaluation Posturale
Bien que les méthodes photographiques pour l’analyse quantitative de la posture aient représenté une avancée considérable dans la pratique clinique, l’identification des points anatomiques spécifiques sur le corps du patient avant de prendre des photos restait une tâche basée sur l’inspection visuelle et la palpation, ce qui était chronophage et dépendait de l’expertise du praticien.
Avec l’avancement de la technologie, une solution révolutionnaire émerge : un système basé sur l’IA hyper-spécialisé dans l’identification des points anatomiques sur les photos numériques.
BIOTONIX 2.0 : Adopter l’Avenir avec l’Autonomie Alimentée par l’IA
S’appuyant sur son riche héritage et son expertise éprouvée, BIOTONIX a entrepris une ambitieuse transformation 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 fixé pour objectif de révolutionner l’évaluation posturale en développant un nouveau système autonome.
BIOTONIX a décidé de créer un système d’évaluation posturale autonome, capable de contourner la nécessité d’une intervention humaine. Pour y parvenir, 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 le Passage à l’IA ?
Bien que le système original de BIOTONIX ait été révolutionnaire pour son époque, certains domaines se prêtaient à des améliorations évidentes :
- Efficacité : Le processus manuel de marquage, bien que minutieux, prenait beaucoup de temps.
- 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 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, présentait une solution à ces défis. En intégrant l’IA, BIOTONIX visait à redéfinir l’évaluation posturale, la rendant plus rapide, plus cohérente et universellement applicable.
Exploiter les Données : La Base de la Révolution de l’IA de BIOTONIX
Dans le domaine de l’IA, les données sont primordiales. En reconnaissance 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 alimentées par l’IA.
Former des Modèles d’IA Spécialisés
À l’aide de cette vaste base de données, BIOTONIX s’est attelé à la formation de modèles d’IA hautement spécialisés. L’objectif était d’enseigner à l’IA comment identifier précisément les points anatomiques sur des photos de personnes en position debout détendue.
Les données ont été soigneusement annotées et utilisées dans le cadre de processus de formation itératifs, permettant au modèle d’apprendre à discerner des nuances subtiles, à reconnaître des motifs, et à identifier avec précision les points anatomiques cruciaux. Les prédictions de l’IA étaient non seulement précises, mais également cohérentes sur une large gamme de postures et de types de corps.
Ensemble des marqueurs anatomiques de BIOTONIX. Source: Guimond et al. 2003.
Points anatomiques reconnus en vue latérale droite par l’IA de BIOTONIX
La vue latérale droite offre une perspective unique, notamment pour évaluer l’alignement du plan sagittal. Le système d’IA de BIOTONIX, avec son engagement pour 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 & Épine iliaque antéro-supérieure droite (SD05 and SD08)
- Grand trochanter (SD09)
- Tubercule de Gerdy (SD10)
- Articulation tarsienne transverse (SD11)
Figure 6 – Exemple de détection par IA des marqueurs BIOTONIX en vue latérale droite. Source: BIOTONIX Posture.
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 and FA07)
- Incisure jugulaire (FA06)
- Ombilic (FA08)
- Épines iliaques antéro-supérieures droite et gauche (FA09 and FA11)
- Poignets droit et gauche au-dessus du processus styloïde du radius (FA12 and FA13)
- Patellas droite et gauche (FA14 and FA15)
- Centré entre les malléoles médiale et latérale droite et gauche (FA16 and FA18)
- Aspects antérieurs des phalanges distales droite et gauche du gros orteil (FA19 and FA20)
Figure 7 – Exemple de détection par IA des marqueurs BIOTONIX en vue frontale. Source: BIOTONIX Posture.
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 7e vertèbre cervicale (FP03)
- Épaules droite et gauche au-dessus de l’acromion (FP04 and FP05)
- Processus épineux de la 5e vertèbre thoracique (FP06)
- Épines iliaques postéro-supérieures droite et gauche (FP09 and FP07)
- Poignets droit et gauche au-dessus du processus styloïde de l’ulna (FP11 and FP10)
- Centre des cavités poplitées droite et gauche (FP13 and FP12)
- Tendon d’Achille droit et gauche au niveau de la malléole médiale (FP16 and FP14)
- Calcanéum du pied droit et gauche (FP19 and FP17)
Figure 8 – Exemple de détection par IA des marqueurs BIOTONIX en vue postérieure. Source: BIOTONIX Posture.
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.
Applications diverses pour une ère moderne
L’approche innovante de BIOTONIX dépasse le modèle autonome. L’IA formée pour détecter les points anatomiques a été intégrée dans un écosystème plus large, adapté à différentes expériences utilisateurs et applications :
- BTX : En rendant l’évaluation posturale mobile, l’application BTX exploite la puissance de l’IA de BIOTONIX pour les utilisateurs en déplacement. Avec une interface conviviale et des capacités d’évaluation en temps réel, elle offre un parfait mélange de commodité et de technologie.
- BIOTONIX Posture: Pour une expérience plus complète, l’application web BIOTONIX Posture propose des fonctionnalités d’analyse, de suivi et de rapport approfondies. Elle offre 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 en analyse biomécanique, BIOTONIX reste 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 dans nos vies numériques.
Restez connectés ! Avec BIOTONIX, l’avenir promet innovation, précision et une quête incessante d’excellence.
Pour en savoir plus sur notre système d’IA ou pour le voir en action, visitez https://biotonix.com. Intéressé par son intégration dans votre pratique ? Contactez notre équipe à https://biotonix.com/contactez-nous/.
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.