Application of computer vision to identify reference points for assessing postural disorders

Abstract


The use of computer vision to determine reference points on the human back is a relatively new approach in medicine. The relevance of this study is due not only to the need to develop new methods and approaches in determining postural disorders, but also to the growing interest in the development and application of artificial intelligence in medicine. This study is devoted to the creation and training of a neural network to find reference points of the back when diagnosing postural disorders. In this study, we use a set of ready-made neural network tools that are freely available. Training was carried out on models of photographed volunteers to determine the reference points of the back. The results of the study indicate that, as part of the study, a search was made for alternative (reference points) that determine the geometry of the back using developed neural network algorithms. It was shown that the accuracy of point detection by a neural network trained on more than 2400 grouped photographs reaches 85%, which indicates a good determination of object boundaries and their classification. The use of computer vision to identify reference points for assessing postural abnormalities can bring significant benefits to medical practice. This tool may be more accurate and efficient than traditional diagnostic methods, as well as more accessible and convenient for the patient. In addition, the use of neural networks can speed up the diagnostic process and reduce research costs.

Full Text

Сколиоз – одно из самых распространенных заболеваний позвоночного столба у де-тей и подростков [1]. С точки зрения пространственной геометрии позвоночник пред-ставляет собой кривую, которая в состоянии нормы имеет ряд физиологических изгибов в сагиттальной плоскости – кифозы (грудной и формально крестцовый) и лордоза (пояс-ничный и шейный) [2]. Актуальные инструменты для диагностики позвоночного столба представлены двумя основными группами: лучевые и оптические методы. Данные мето-ды имеют ряд недостатков: при проведении диагностики лучевым методом пациент облу-чается низкодозовыми рентгеновскими лучами, в то же время принцип «снижения квали-фикационных требований» к оператору рентгеновских и оптических топографических установок в полной мере применен быть не может, поскольку каждая из них требует уча-стия медицинских кадров высокого уровня профессиональной подготовки [3], которые ограничивают их применение в лечебно-диагностическом процессе. В настоящее время интенсивно развивающееся направление оптической диагностики трехмерных объектов методом фотограмметрии все больше интегрируется в лечебно-диагностический процесс, что позволяет в перспективе использовать этот метод в оценке выраженности деформации позвоночника у детей и подростков.Биометрические технологии становятся все более популярными в системах компью-терного зрения, представляя инновационные методы, которые используют физические и поведенческие характеристики человека для идентификации и аутентификации [4–6]. Данные технологии являются бесконтактными и неинвазивными, в их основе лежит рас-познавание биометрических характеристик при помощи компьютерного зрения.Настоящее исследование посвящено разработке, тестированию и анализу параметров спины человека с использованием нейросетевых алгоритмов. Разработанный продукт по фотографии спины человека определяет реперные точки на ее поверхности на основании созданного нейросетевого алгоритма при диагностике сколиоза.Цифровой инструмент может стимулировать повышение уровня заинтересованности пользователей в самоконтроле состояния опорно-двигательного аппарата и своевремен-ном обращении за профессиональной медицинской помощью. Разрабатываемая программная система обладает необходимым набором инструментов для предоставления точного и количественного анализа, способна решить перечисленные проблемы и тем самым усовершенствовать процесс наблюдения и диагностики, а также профилактики.Цель исследования – улучшение выявления нарушений осанки на более ранних ста-диях путем создания и обучения нейронной сети для нахождения реперных точек спины.Материалы и методы: для обучения нейронной сети использовалась выборка из 3000 размеченных фотографий, находящихся в открытом доступе, на которых изображена спи-на человека, а также данные учащихся начальных классов, проживающих в ЗАТО «Звезд-ный», Пермский край. Настоящая работы была проведена в рамках мониторингового ис-следования совокупности испытуемых – школьников младшего школьного возраста (1–3-й классы, средний возраст 8 ± 0,78 года) и взрослых (средний возраст 18–40 лет) – пред-ставителей европеоидной расы. До проведения исследования были получены информиро-ванные согласия на диагностическое вмешательство от всех родителей испытуемых (де-тей). Разметка фотографий производилась с помощью инструмента графического анализа изображений labelimg1.8.6, в котором в режиме графического интерфейса вручную отме-чались области нахождения (классы определения) реперных точек. В качестве архитекту-ры нейронной сети выбрана YOLO 8.

About the authors

I. D. Shitoev

Perm National Research Polytechnic University; LLC “Yord Tech”

V. N. Nikitin

Perm National Research Polytechnic University; LLC “Yord Tech”

M. D. Ivanova

Perm National Research Polytechnic University

G. Z. Kloyan

LLC “Yord Tech”

S. V. Muravev

Perm State Medical University named after Academician E.A. Wagner; Scientific and Medical Center “Rodnik”

References

  1. Отдельные нейрофизиологические аспекты этиопатогенеза юношеского идиопатического сколиоза / С.В. Муравьев, В.Г. Черкасова, П.Н. Чайников, О.О Мехоношина, М.А. Ковалев, М.О. Гущин // Пермский медицинский журнал. – 2019. – Т. XXXV, № 4. – С. 39–45. doi: 10.17816/pmj36439%45
  2. Синельников Р.Д., Синельников Я.Р., Синельников А.Я. Атлас анатомии человека: в 4 т. – Т. 1. Учение о костях, соединениях костей и мышцах. – М.: Новая волна, 2021. – 488 с.
  3. The effect of simulating leg length inequality on spinal posture and pelvic position: a dynamic rasterstereographic analysis / M. Betsch, M. Wild, B. Große, W. Rapp, T. Horstmann // European Spine Journal. – 2012. – Vol. 21, no 4. – P. 691–697. doi: 10.1007/s00586-011-1912-5
  4. Meena G., Mohbey K.K., Kumar S. Sentiment analysis on images using convolutional neural networks-based Inception-V3 transfer learning approach // International journal of information management data insights. – 2023. – No 3. – 13 p. doi: 10.1016/j.jjimei.2023.100174
  5. Rahouma K.H., Mahfouz A.Z. Design and implementation of a face recognition system based on API mobile vision and normalized features of still images // 18th International Learning and Technology Conference. – 2021. – P. 32–44. doi: 10.1016/j.procs.2021.10.057
  6. Akhgar B., Yates S. Strategic Intelligence Management. – Butterworth-Heinemann, 2013. – 340 p.
  7. Geometric analysis and YOLO algorithm for automatic face detection system in a security setting / F.E. Ayo, A.M. Mustapha, J.A. Braimah, D.A. Aina // Journal of Physics: Conference Series. – 2022. – Vol. 2199. – No. 1. – 10 p. doi: 10.1088/1742-6596/2199/1/012010
  8. Шнайдер Л.С., Сарнадский В.Н., Павлов В.В. Лучевой и оптический методы оценки позвоночно-тазовых взаимоотношений у пациентов с врожденным вывихом бедра // Хирургия позвоночника. – 2009. – Т. 16, № 1. – С. 63–69. doi: 10.14531/ss2019.1.63-69
  9. Факторы риска развития и прогрессирования дегенеративно-дистрофических заболеваний позвоночника по результатам скринингового обследования жителей Санкт-Петербурга / М.В. Авдеева, Ю.А. Кренева, В.П. Панов, В.Н. Филатов, А.В. Мельцер, Л.А. Карасаева // Анализ риска здоровью. – 2019. – № 1. – С. 125–134. doi: 10.21668/health.risk/2019.1.14
  10. Колесников В.Н., Шандыбина Н.Д., Эриум С.С. Экология человека: сбережение нации как стратегия успешного развития // Управленческое консультирование – 2018. – № 2 (110). – С. 73–79. doi: 10.22394/1726-1139-2018-2-73-79
  11. Цифровые модели и инструменты для диагностики трехмерной деформации позвоночника на основе данных стереофотограмметрии / И.Д. Шитоев, В.Ю. Столбов, С.В. Муравьев, В.Н. Никитин, Г.З. Клоян // Прикладная математика и вопросы управления. – 2022. – № 4. – С. 60–82. doi: 10.15593/2499–9873/2022.4.04
  12. Bhople A.R., Shrivastava A.M., Prakash S. Point cloud based deep convolutional neural network for 3D face recognition // Multimedia Tools and Applications. – 2020. – 21 p. doi: 10.1007/s11042-020-09008-z
  13. Paniego S., Sharma V., Cañas J.M. Open-source assessment of deep learning visual object detection // Sensors. – 2022. – Vol. 22, no 12. – 16 p. doi: 10.3390/s22124575
  14. Sanchez S.A., Romero H.J., Morales A.D. A review: comparison of performance metrics of pretrained models for object detection using the TensorFlow framework // IOP Conf. Series: Materials Science and Engineering. – 2020. – 15 p. doi: 10.1088/1757-899X/844/1/012024
  15. A convolutional neural network based on TensorFlow for face recognition / L. Yuan, Z. Qu, Y. Zhao, H. Zhang, Q. Nian // IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). – 2017. – P. 525–529. doi: 10.1109/IAEAC.2017.8054070
  16. Weed25: A deep learning dataset for weed identification / P. Wang, Y. Tang, F. Luo, L. Wang, Li. Chengsong, Q. Niu, H. Li // Frontiers in Plant Science. – 2022. – 14 p. DOI: 10.3389/ fpls.2022.1053329
  17. Дудченко П.В. Метрики оценки классификаторов в задачах медицинской диагностики // Молодежь и современные информационные технологии: сб. тр. XVI Междунар. науч.-практ. конф. студентов, аспирантов и молодых ученых / Томский политехнический университет. – Томск, 2019. – C. 164–165

Statistics

Views

Abstract - 59

PDF (Russian) - 27

Refbacks

  • There are currently no refbacks.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies