Применение компьютерного зрения для определения реперных точек при оценке нарушения осанки

  • Авторы: Шитоев И.Д.1,2, Никитин В.Н.1,2, Иванова М.Д.1, Клоян Г.З.2, Муравьев С.В.3,4
  • Учреждения:
    1. Пермский национальный исследовательский политехнический университет
    2. ООО «Йорд Тех»
    3. Пермский государственный медицинский университет имени академика Е.А. Вагнера
    4. Научно-медицинский центр «Родник»
  • Выпуск: № 4 (2023)
  • Страницы: 94-106
  • Раздел: Статьи
  • URL: https://ered.pstu.ru/index.php/amcs/article/view/4057
  • DOI: https://doi.org/10.15593/2499-9873/2023.4.06
  • Цитировать

Аннотация


Применение компьютерного зрения для определения реперных точек на спине человека является относительно новым подходом в медицине. Актуальность данного исследования обусловлена не только необходимостью разработки новых методов и подходов в определении нарушения осанки, но и растущим интересом к развитию и применению искусственного интеллекта в медицине. Настоящее исследование посвящено созданию и обучению нейронной сети для нахождения реперных точек спины при диагностике нарушений осанки. Использована совокупность готовых нейросетевых инструментов, находящихся в свободном доступе. Обучение проводилось на моделях фотографируемых добровольцев для определения реперных точек спины. Результаты исследования свидетельствуют, что был выполнен поиск альтернативных (реперных) точек, определяющих геометрию спины при помощи разработанных нейросетевых алгоритмов. Показано, что точность обнаружения точек обученной на 2400 группированных фотографий нейронной сетью достигает 85 %, что свидетельствует о хорошем определении границ объектов и их классификации. Применение компьютерного зрения для определения реперных точек для оценки нарушения осанки может принести значительные преимущества в медицинской практике. Этот инструмент может быть более точным и эффективным, чем традиционные методы диагностики, а также более доступным и удобным для пациента. Кроме того, использование нейронных сетей может ускорить процесс диагностики и снизить затраты на проведение исследования.

Полный текст

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.

Об авторах

И. Д. Шитоев

Пермский национальный исследовательский политехнический университет; ООО «Йорд Тех»

В. Н. Никитин

Пермский национальный исследовательский политехнический университет; ООО «Йорд Тех»

М. Д. Иванова

Пермский национальный исследовательский политехнический университет

Г. З. Клоян

ООО «Йорд Тех»

С. В. Муравьев

Пермский государственный медицинский университет имени академика Е.А. Вагнера; Научно-медицинский центр «Родник»

Список литературы

  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

Статистика

Просмотры

Аннотация - 49

PDF (Russian) - 22

Ссылки

  • Ссылки не определены.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах