Veuillez choisir le dossier dans lequel vous souhaitez ajouter ce contenu :
Colloque
Membre a labase
Lucas Mercier : École de technologie supérieure
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 est une technique amplement utilisée dans le domaine de la biomécanique appliquée à des sujets humains dans différentes disciplines (la performance sportive, la réadaptation, l’orthopédie et la neuroscience). Dans ces domaines d’application, la précision des données du mouvement utilisées devient un paramètre critique.
Les techniques de base utilisées aujourd’hui pour obtenir des données de mouvement précises se fondent soit sur l’utilisation de marqueurs actifs ou passifs détectés par des caméras optoélectroniques, soit sur l’utilisation de capteurs électromagnétiques ou inertiels qui permettent la mesure de la position et de l’orientation des segments corporels en 3D. Ces systèmes, même s’ils sont très précis, ont plusieurs inconvénients pour une utilisation dans le milieu clinique. L’ajout de marqueurs sur le patient devient une contrainte majeure pour la plupart des applications où la capture de mouvements naturels est nécessaire dans le milieu écologique.
Une alternative avec moins de contraintes est la capture de mouvements à partir de séquences vidéo RGB sans l’utilisation de marqueurs sur le sujet. De telles techniques permettent d’obtenir des données de mouvement dans un environnement moins contraignant et plus proche de l’environnement écologique de vie des sujets. Il y a par contre des limitations importantes à l’utilisation de ces techniques lorsque la précision devient un paramètre important requis. En effet, la plupart des algorithmes proposés ont comme première étape l’estimation de la pose, c.-à-d. l’identification de la position des centres articulaires dans l’espace 3D. Ces algorithmes utilisent généralement des techniques d’apprentissage machine, mais qui ont été entraînées et validées sur des bases de données qui manquent globalement de la précision nécessaire. L’objectif principal de ce colloque est de présenter l’état des connaissances ainsi que les avancées technologiques et informatiques dans ce domaine de l’analyse du mouvement.
Les principaux thèmes à aborder pendant le colloque, sans pour autant limiter la discussion à d’autres sujets connexes, seront :
Format
Le colloque se déroulera dans une session unique avec présentations orales, qui seront de 10 min plus 5 min pour questions et discussions. Un panel de discussion en fin de journée permettra d’aborder le sujet de la validation numérique des algorithmes d’estimation de la position des centres articulaires.
Thème du colloque :
Date :
7 mai 2025
Titre du colloque :
Thème du colloque :
Responsables :
