Par Lucas Mercier, lauréat de la bourse de participation au congrès SB 2025.
L’analyse de mouvement sans marqueurs s’avère particulièrement prometteuse des applications en biomécanique. La mise en place et l’utilisation de ces réseaux représentent cependant encore une barrière à leur bonne exploitation dans ces contextes. Pour pallier cela, de nombreux outils « prêts à l’emploi » ont été rendus disponibles en libre accès, notamment OpenPose, DeepLabCut ou encore MMPose. Ces modèles sont entraînés sur des bases de données publiques, le plus souvent annotées manuellement. Or, la définition de ces centres articulaire diffère souvent de celle des modèles biomécaniques couramment utilisés avec les systèmes avec marqueurs réfléchissants.
Pour éviter ces écarts de définition, entre les prédictions d’un modèle d’estimation de pose et un système traditionnel, il est nécessaire de réentraîner ce modèle sur les données issues du système de Capture de Mouvement (MoCap) concerné. Pour cela il est possible de synchroniser des caméras vidéo avec des systèmes de MoCap traditionnels, mais cela implique que les marqueurs seront visibles dans les images d’entraînement. Si ces modèles sont entraînés avec des images contenant des marqueurs visibles alors leur performance sera réduite dans des conditions sans marqueurs que l’on retrouve en clinique (Rosskamp et al., 2024).
Dans cette étude nous proposons un cadre méthodologique, sous forme d’un « framework » pour réentraîner efficacement des modèles d’estimation de pose sur des données issues de systèmes MoCap. Afin d’éviter le biais induit par les marqueurs, nous proposons également une méthode pour les effacer des images d’entraînement. Cette méthode fonctionne à la fois sur des marqueurs réfléchissants simples placés sur la peau et sur ceux placés sur des corps rigides. Afin de démontrer le gain de notre méthode, nous l’avons appliqué à deux jeux de données : un jeu de données avec des marqueurs réfléchissants simples (RRIS40) contenant 10 sujets. Pour le deuxième nous avons synchronisé une caméra vidéo avec le système KneeKG et avons obtenu la cinématique au cours de la marche et les images correspondantes de 26 sujets. Pour les deux jeux de données, nous avons pu démontrer que notre méthode permet de réduire significativement l’erreur par rapport aux outils « prêts à l’emploi ».
Cette étude montre que la méthode proposée permet de rendre les modèles d’estimation de pose plus fiables dans le cas où les patients filmés ne portent pas de marqueurs réfléchissants. Ces résultats sont encourageants, car ils permettent de réduire l’écart entre la validation des modèles dans un contexte de recherche (environnement contrôlé, marqueurs présents pour la validation, etc.) et celui de la clinique. Dans une étude complémentaire, nous avons pu démontrer que la méthode proposée ici permet par exemple d’estimer plusieurs paramètres d’intérêt de flexion pendant la marche avec une erreur angulaire inférieure à 2°. Cette erreur est non seulement inférieure au seuil acceptable pour son utilisation clinique (McGinley et al., 2009), mais n’est pas atteinte avec les modèles prêts à l’emploi que nous avons également testés.
Figure
Publication
Mercier, L., Cresson, T., Mezghani, N., & Vázquez, C. (2025). Framework for the application of markerless motion capture to biomechanics (Version 2, Vol. 1053, Issue 153). Multidisciplinary Biomechanics Journal https://doi.org/10.46298/mbj.16163
L'auteur
Lucas Mercier, LIO,
Ecole de technologie Supérieure, Montréal
Lucas est titulaire d’un diplôme d’ingénieur en informatique, spécialisé en analyse de données et intelligence artificielle. Il est actuellement en doctorat à l’Ecole de technologie Supérieure où il travaille sur l’estimation de la pose 3D des membres inférieurs à partir d’une caméra vidéo monoculaire.
Copyright
© 2025 par l’auteure. Sauf mention contraire, le contenu du blog de la Société de Biomécanique (texte et figures) est distribué sous licence Creative Commons Attribution - Partage dans les mêmes conditions 4.0.