Evaluation eines neuen, auf künstlicher Intelligenz basierenden Softwaresystems zur videobasierten Ganganalyse der Hintergliedmaßen beim Hund
Orthopädische Probleme bei Hunden sind einer der häufigsten Vorstellungsgründe in der Tierarztpraxis. Der wachsende Stellenwert des Hundes als Haustier und Familienmitglied stellt dabei hohe medizinische Anforderungen an die Erkennung und Diagnostik von Lahmheiten als Grundlage für eine optimale Therapie. Trotz seiner Limitationen und Subjektivität bildet die konventionelle klinische Ganganalyse immer noch die Grundlage einer jeden Lahmheitsuntersuchung. Ein ideales, objektives System, das zur Verbesserung der subjektiven klinischen Ganganalyse eingesetzt werden kann, muss reproduzierbare, verlässliche und aussagekräftige Daten liefern. Dabei sollte es für Hunde aller Größen und Körperkonformationen, die Lahmheiten jedweden Ursprungs und jedweder Intensität zeigen, genutzt werden können. Außerdem sollte es von Untersuchern mit variablem Grad an klinischer Erfahrung sowie mit einem möglichst geringen Zeitaufwand anwendbar sein. Trotz einer Vielzahl an Studien und Entwicklungen konnte bisher kein System diese Anforderungen erfüllen.
Ein neuer Ansatz liegt in der Nutzung des Potenzials künstlicher Intelligenz (KI) für die Entwicklung eines klinisch einsetzbaren Systems zur automatisierten Ganganalyse. Das Ziel der Studie war die Ermittlung der Erkennungsrate definierter Points Of Interest (POIs) über den großen Gelenken der Hintergliedmaßen bei Hunden während der Bewegung durch ein KI-basiertes Softwaresystem. Der Versuchsaufbau ermöglichte eine Basisdatenerfassung mit Hilfe von seitlich positionierten Webcams, welche die Fortbewegung eines sich frei auf einem Laufweg bewegenden Hundes erfassten. Aus den so entstandenen Videos wurden Standbilder extrahiert, auf denen POIs manuell markiert wurden, um das Softwaresystem (mittels Supervised Learning) zu trainieren. Nach dieser Trainingsphase erfolgte eine visuelle Auswertung der durch das System gesetzten Markierungen anhand der Daten von elf Hunden (dreier verschiedener Rassen und dreier Mischlinge). Die Ergebnisse der Markierungen der einzelnen Gelenke (Hüfte, Knie und Tarsus beider Hintergliedmaßen) wurden anhand ausgesuchter Frames für Stand- und Vorführphase sowie für die Gangarten Schritt und Trab ausgewertet. Im Vergleich der einzelnen Gelenke erzielte das System die besten Ergebnisse beim Tarsus: Während der Standbeinphase markierte das System hier links 65 % und rechts 64 % richtig. In der Vorführphase zeigten sich mit links 32 % und rechts 24 % schlechtere Ergebnisse, wofür eine mangelnde Videoqualität mit daraus resultierender Bewegungsunschärfe ursächlich scheint. Die bei einzelnen Hunden erreichten höchsten Prozente richtiger Markierungen lagen bei der Hüfte mit links 56 % und rechts 64 %, für das Knie mit links 77 % und rechts 61 % sowie für den Tarsus mit links 72 % und rechts 70 %. Es wurden allerdings deutliche Unterschiede in der Qualität der Markierungen zwischen den einzelnen Hunden dokumentiert, was vermutlich auf Mängel in der Videoqualität und eine geringe Variabilität der Trainingsdaten zurückzuführen ist. Trotz der genannten erfolgversprechenden Ansätze müssten die Markierungen der Gelenke verbessert werden und deutlich konsistenter, zuverlässiger und rasseunabhängiger erfolgen. Zukünftige Studien sollten Videoqualität und Training optimieren und die Software auf seine Transfer Learning-Leistung testen, um eine Aussage zur Leistungsfähigkeit der neuen Software für den klinischen Einsatz treffen zu können. Wie diese Studie gezeigt hat, bietet KI trotz weiteren Forschungsbedarfs grundsätzlich großes Potenzial für eine objektive, praxistaugliche, automatisierte Ganganalyse zur Verbesserung von Diagnostik und Therapie orthopädischer Patienten in Tierarztpraxen.
Orthopaedic problems are one of the most common complaints in canine veterinary visits. The growing importance of dogs as pets and family members places high medical demands on the detection and diagnosis of lameness, which in turn inform veterinarians´ decisions regarding the course of treatment. Despite its limitations and subjectivity, conventional clinical gait analysis still forms the basis of any lameness investigation. An ideal objective system that can be used to improve subjective clinical gait analysis must provide reproducible, reliable, meaningful data. Such a system should be suitable to dogs of all sizes and body conformation exhibiting lameness of any origin and intensity. Also, it should be usable by examiners with variable degrees of clinical experience and require little time to complete analysis. Despite a multitude of studies and developments, no system has been able to meet all of these requirements so far. A new approach is to exploit the potential of artificial intelligence (AI) for the development of a clinically applicable system for an automated gait analysis. The aim of this study was to determine the recognition rate of defined Points Of Interest (POIs) on the large joints of the hind limbs in dogs during movement using an AI-based system.
The experimental setup permitted a basic data collection with the help of sideways positioned webcams, which captured the locomotion of a dog moving freely on a walkway. From the resulting videos, I extracted still images in order to manually mark POIs. Afterwards I used these marked still images to train the AI software, using supervised learning. Following this training phase, I made a visual evaluation of the markings made by the system, using data from eleven dogs (three different breeds and three mixedbreeds). I evaluated the results of the markings of the individual joints (hip, knee and tarsus of both hind limbs) on the basis of selected frames for the stance and swing phase, as well as for the gaits walk and trot. In comparison of the individual joints, the system achieved the best result at the tarsus: During the stance phase, it marked 65 % correctly on the left and 64 % on the right. For the swing phase, the results were worse with 32 % on the left and 24% on the right, which appears to be caused by poor video quality with resulting motion blur. The system achieved the highest percentages of correct markings in individual dogs for the hip with 56 % on the left and 64 % on the right, for the knee with 77 % on the left and 61 % on the right, and for the tarsus with 72 % on the left and 70 % on the right. However, I documented significant differences in the quality of the markings between the individual dogs, probably due to deficiencies in the video quality and low variability of the training data. Despite the promising approaches mentioned, joint markings need to be improved and become much more consistent, reliable and independent of breed. Future studies should optimise video quality and training and test the software for its transfer learning performance in order to assess the capability of the new software for clinical use. Despite the need for further research, this study has shown that AI offers great potential for an objective, practical, automated gait analysis to improve the diagnosis and therapy of orthopaedic patients in veterinary practices.
Arens, Ann-Kathrin (2023)
Evaluation of a new artificial intelligence-based software system for video-based gait analysis of dogs´ hindlimbs
Orthopaedic problems are one of the most common complaints in canine veterinary visits. The growing importance of dogs as pets and family members places high medical demands on the detection and diagnosis of lameness, which in turn inform veterinarians´ decisions regarding the course of treatment. Despite its limitations and subjectivity, conventional clinical gait analysis still forms the basis of any lameness investigation. An ideal objective system that can be used to improve subjective clinical gait analysis must provide reproducible, reliable, meaningful data. Such a system should be suitable to dogs of all sizes and body conformation exhibiting lameness of any origin and intensity. Also, it should be usable by examiners with variable degrees of clinical experience and require little time to complete analysis. Despite a multitude of studies and developments, no system has been able to meet all of these requirements so far. A new approach is to exploit the potential of artificial intelligence (AI) for the development of a clinically applicable system for an automated gait analysis. The aim of this study was to determine the recognition rate of defined Points Of Interest (POIs) on the large joints of the hind limbs in dogs during movement using an AI-based system. The experimental setup permitted a basic data collection with the help of sideways positioned webcams, which captured the locomotion of a dog moving freely on a walkway. From the resulting videos, I extracted still images in order to manually mark POIs. Afterwards I used these marked still images to train the AI software, using supervised learning. Following this training phase, I made a visual evaluation of the markings made by the system, using data from eleven dogs (three different breeds and three mixedbreeds). I evaluated the results of the markings of the individual joints (hip, knee and tarsus of both hind limbs) on the basis of selected frames for the stance and swing phase, as well as for the gaits walk and trot. In comparison of the individual joints, the system achieved the best result at the tarsus: During the stance phase, it marked 65 % correctly on the left and 64 % on the right. For the swing phase, the results were worse with 32 % on the left and 24% on the right, which appears to be caused by poor video quality with resulting motion blur. The system achieved the highest percentages of correct markings in individual dogs for the hip with 56 % on the left and 64 % on the right, for the knee with 77 % on the left and 61 % on the right, and for the tarsus with 72 % on the left and 70 % on the right. However, I documented significant differences in the quality of the markings between the individual dogs, probably due to deficiencies in the video quality and low variability of the training data. Despite the promising approaches mentioned, joint markings need to be improved and become much more consistent, reliable and independent of breed. Future studies should optimise video quality and training and test the software for its transfer learning performance in order to assess the capability of the new software for clinical use. Despite the need for further research, this study has shown that AI offers great potential for an objective, practical, automated gait analysis to improve the diagnosis and therapy of orthopaedic patients in veterinary practices.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
