gms | German Medical Science

Deutscher Rheumatologiekongress 2023

51. Kongress der Deutschen Gesellschaft für Rheumatologie (DGRh)
37. Jahrestagung der Deutschen Gesellschaft für Orthopädische Rheumatologie (DGORh)
33. Jahrestagung der Gesellschaft für Kinder- und Jugendrheumatologie (GKJR)

30.08. - 02.09.2023, Leipzig

Videobasierte, markerlose 2D-Ganganalyse basierend auf Transferlernen mit tiefen neuronalen Netzen – erste Daten

Meeting Abstract

  • Sandra Hansmann - Universitätsklinikum Tübingen – Klinik für Kinderheilkunde und Jugendmedizin, Kinderheilkunde III – Neuropädiatrie, Entwicklungsneurologie, Sozialpädiatrie, Tübingen
  • Andrea Bevot - Universitätsklinikum Tübingen – Klinik für Kinderheilkunde und Jugendmedizin, Kinderheilkunde III – Neuropädiatrie, Entwicklungsneurologie, Sozialpädiatrie, Tübingen
  • Aseem Behl - Universität Tübingen, Wirtschafts- und Sozialwissenschaftliche Fakultät, Tübingen
  • Mareen Kraft - Universitätsklinikum Tübingen – Klinik für Kinderheilkunde und Jugendmedizin, Kinderheilkunde I – Allgemeine Pädiatrie, Hämatologie und Onkologie, Tübingen
  • Dominik Papies - Universität Tübingen, Wirtschafts- und Sozialwissenschaftliche Fakultät, Tübingen; Universität Tübingen, Machine Learning Cluster of Excellence, EXC number 2064/1 – Project number 390727645, Tübingen

Deutsche Gesellschaft für Rheumatologie. Deutsche Gesellschaft für Orthopädische Rheumatologie. Gesellschaft für Kinder- und Jugendrheumatologie. Deutscher Rheumatologiekongress 2023, 51. Kongress der Deutschen Gesellschaft für Rheumatologie (DGRh), 37. Jahrestagung der Deutschen Gesellschaft für Orthopädische Rheumatologie (DGORh), 33. Jahrestagung der Gesellschaft für Kinder- und Jugendrheumatologie (GKJR). Leipzig, 30.08.-02.09.2023. Düsseldorf: German Medical Science GMS Publishing House; 2023. DocKI.29

doi: 10.3205/23dgrh151, urn:nbn:de:0183-23dgrh1510

Veröffentlicht: 30. August 2023

© 2023 Hansmann et al.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). Lizenz-Angaben siehe http://creativecommons.org/licenses/by/4.0/.


Gliederung

Text

Einleitung: Die empirische Evidenz über sekundäre Langzeitfolgen der Juvenilen idiopathischen Arthritis (JIA) bezüglich funktioneller Beeinträchtigungen und Gangveränderungen ist gering. Markerbasierte, instrumentelle 3D-Ganganalysen (IGA) zeigen Veränderungen im Gangbild mit verringertem Bewegungsumfang an Hüfte, Knie und Sprunggelenk und vermehrter Flexion [1], [2], [3]. Die IGA ist aufwändig, erfordert umfangreiche Ausrüstung, speziell eingerichtete Untersuchungsräume, und wird daher selten eingesetzt. Dies ist die erste Studie zur Untersuchung von Veränderungen des Gangbildes bei JIA mit einer videobasierten, markerlosen 2D-Ganganalyse auf Basis von Transferlernen mit tiefen neuronalen Netzen.

Methoden: Zunächst wurde ein auf Mask R-CNN [4] basierender Detektor verwendet, um für jedes aus den Videos extrahierte Bild der sagittalen Ebene eine Bounding Box um den menschlichen Körper zu erstellen. Im nächsten Schritt wurde ein TCFormer-Modell [5] eingesetzt, um die Position vordefinierter anatomischer Landmarken für den im vorherigen Schritt erkannten menschlichen Körper zu identifizieren. TCFormer ist ein modernes tiefes neuronales Netzwerk, das darauf trainiert ist, die Wahrscheinlichkeit vorherzusagen, dass sich eine anatomische Landmarke an einem gegebenen Pixel innerhalb der erkannten Bounding Box befindet. Auf Grundlage der erkannten Positionen und der dadurch definierten Segmentausrichtung wurde ein einfaches kinematisches Modell verwendet, um die Gelenkwinkel im Zeitverlauf zu bestimmen. Gangvideos von Kindern und Jugendlichen wurden in der Sagittalebene mit einer AXIS-P1375-Netzwerkkamera (1920x1080 Pixel, 50 Frames/Sekunde) gefilmt. Es erfolgte eine automatisierte Schätzung der Marker und Gelenkwinkel von vorher ungesehenen Videos.

Ergebnisse: Videos, unmarkiert, von 19 Kindern und Jugendlichen (10 mit JIA, mittleres Alter 11,6 Jahre (Bereich 7,5–16,1; 10% systemische, 50% polyartikuläre, 40% oligoartikuläre JIA); 9 Gesunde, 10,7 Jahre (2,8–17,3)) wurden bisher ausgewertet. Dabei zeigte sich eine verminderte Gelenkbeweglichkeit im Hüftgelenk, eine vermehrte Knieflexion in der späten Standphase und eine vermehrte Plantarflexion im Sprunggelenk am Ende der Standphase, vergleichbar mit Daten zur IGA aus der Literatur [1], [2], [3].

Schlussfolgerung: Die von uns verwendete Methode ist einfach, die Videos lassen sich mit handelsüblichen Geräten ohne Vorbereitung aufzeichnen, und durch die Darstellung der einzelnen Marker bleibt die Berechnung der Gelenkwinkel nachvollziehbar. Unser Ansatz einer markerlosen, robusten, kostengünstigen und anpassungsfähigen Ganganalyse-Methode für Kinder und Jugendliche kann dazu beitragen, Bewegungsveränderungen besser zu verstehen, unser Wissen über funktionelle Ganganomalien bei JIA zu erweitern und das Outcome zu verbessern.


Literatur

1.
Vincent HK, Sharififar S, Abdelmalik B, Lentini L, Chen C, Woolnough LU. Gait parameters, functional performance and physical activity in active and inactive Juvenile Idiopathic Arthritis. Gait Posture. 2022 Oct;98:226-32. DOI: 10.1016/j.gaitpost.2022.09.080 Externer Link
2.
Kuntze G, Nesbitt C, Nettel-Aguirre A, Esau S, Scholz R, Brooks J, Twilt M, Toomey C, Mosher D, Ronsky JL, Benseler S, Emery CA. Gait Adaptations in Youth With Juvenile Idiopathic Arthritis. Arthritis Care Res (Hoboken). 2020 Jul;72(7):917-24. DOI: 10.1002/acr.23919 Externer Link
3.
Hartmann M, Kreuzpointner F, Haefner R, Michels H, Schwirtz A, Haas JP. Effects of juvenile idiopathic arthritis on kinematics and kinetics of the lower extremities call for consequences in physical activities recommendations. Int J Pediatr. 2010;2010:835984. DOI: 10.1155/2010/835984 Externer Link
4.
He K, Gkioxari G, Dollar P, Girshick R. Mask R-CNN. Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV); 2017 Oct 22-29; Venice, Italy. New York: IEEE; 2017. p. 2961-9.
5.
Zeng W, Jin S, Liu W, Qian C, Luo P, Ouyang W, Wang X. Not All Tokens Are Equal: Human-Centric Visual Analysis via Token Clustering Transformer. Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR); 2022 Jun 18-24; New Orleans, LA, USA. New York: IEEE; 2022. p. 11101–11.