Deep-Learning-Based Markerless Pose Estimation Systems in Gait Analysis: DeepLabCut Custom Training and the Refinement Function

Diese Studie zeigt, dass ein mit DeepLabCut individuell trainiertes und verfeinertes System (DLCCT) markerlose Ganganalysen präziser durchführt als vortrainierte Modelle oder OpenPose, und bietet damit eine kostengünstige Alternative für klinische Anwendungen in natürlichen Umgebungen.

Das Wesentliche

🏃‍♂️ Der Kampf um den perfekten Gang: Markerlos vs. Goldstandard

Stellen Sie sich vor, Sie wollen analysieren, wie jemand läuft.
Die alte Methode (der "Goldstandard"): Man klebt dem Menschen kleine reflektierende Punkte auf den Körper (wie Glitzer auf einem Weihnachtsbaum), filmt ihn mit teuren Kameras in einem speziellen Labor und berechnet millimetergenau, wie die Gelenke sich bewegen.

• Problem: Das ist teuer, braucht Spezialisten und fühlt sich für den Patienten an wie ein Roboter im Film. Die Punkte verrutschen auch mal auf der Haut, was die Daten verfälscht.

Die neue Methode (Markerlos): Man filmt die Person einfach mit einer normalen Kamera, und eine künstliche Intelligenz (KI) "sieht" sich die Person an und rechnet aus, wo die Gelenke sind. Kein Klebeband, kein Stress.

Die Forscher aus Florenz haben sich gefragt: Welche KI ist die Beste? Und können wir eine KI so trainieren, dass sie noch besser wird als die Standard-Modelle?

🥊 Die drei Kandidaten im Ring

Die Studie hat drei verschiedene "KI-Boxer" gegeneinander antreten lassen, um zu sehen, wer die Laufzeitdaten (Schrittzeit, Standzeit etc.) am genauesten misst. Als Schiedsrichter diente das teure Labor-System mit den Kraftmessplatten (der "Goldstandard").

1. OpenPose (Der "Off-the-Shelf"-König):

   • Wer ist das? Eine KI, die schon fertig ist. Sie wurde mit Millionen von Bildern von Menschen trainiert und ist sofort einsatzbereit.
   • Vergleich: Wie ein fertiges Auto aus dem Autohaus. Man kann sofort losfahren, aber es ist nicht auf Ihre speziellen Bedürfnisse abgestimmt.
   • Ergebnis: Ganz gut, aber nicht perfekt.

2. DeepLabCut (Standard-Modell):

   • Wer ist das? Eine andere KI, die ebenfalls vorgefertigt ist.
   • Vergleich: Ein anderes fertiges Auto, vielleicht ein bisschen anders gebaut.
   • Ergebnis: Etwas schwächer als OpenPose, besonders bei Details wie der exakten Position von Ferse und Zehen.

3. DeepLabCut (Das "Maßgeschneiderte" Modell):

   • Wer ist das? Hier haben die Forscher die KI selbst trainiert. Sie haben der KI 400 Bilder von genau diesen Laufenden gezeigt und ihr manuell gesagt: "Das ist die Ferse, das ist der Knöchel."
   • Vergleich: Wie ein Schneider, der einen Anzug genau nach Ihren Maßen anfertigt.
   • Der Clou (Die "Verfeinerung"): Die Forscher haben die KI nicht nur trainiert, sondern sie auch "nachgebessert". Wenn die KI bei ein paar Bildern einen Fehler machte, haben sie diese Bilder korrigiert und der KI noch einmal gezeigt.
   • Vergleich: Wie ein Schüler, der nach dem ersten Test die Fehler in seiner Hausaufgabe korrigiert und den Test noch einmal macht, um die Note zu verbessern.

🏆 Das Ergebnis: Wer gewinnt?

Hier kommt die spannende Erkenntnis:

• Die fertigen KIs (OpenPose & Standard-DeepLabCut) waren okay, aber nicht perfekt. Sie liefen sozusagen "auf Augenhöhe" mit dem Goldstandard, machten aber bei feinen Details Fehler.
• Das maßgeschneiderte DeepLabCut (ohne Nachbesserung) wurde schon besser, je mehr Bilder man ihm zeigte.
• Der absolute Gewinner: Das maßgeschneiderte DeepLabCut mit der "Verfeinerung" (Refinement).

Warum?
Stellen Sie sich vor, Sie lernen eine neue Sprache.

• Die fertigen KIs haben eine allgemeine Grammatik gelernt.
• Die maßgeschneiderte KI hat sich speziell auf Ihren Dialekt konzentriert.
• Die Verfeinerung war wie ein Lehrer, der sagt: "Hey, bei diesem Satz hast du einen Fehler gemacht. Schau ihn dir noch einmal an." Durch diesen kleinen zusätzlichen Schritt wurde die KI so präzise, dass sie sogar die teuren Labor-Messungen fast perfekt nachahmte.

💡 Was bedeutet das für uns?

1. Kein Labor mehr nötig: Man braucht keine Millionen-Investition mehr, um Bewegungsabläufe genau zu analysieren. Eine normale Kamera und eine gut trainierte KI reichen aus.
2. Training lohnt sich: Es reicht nicht, einfach eine fertige Software zu nehmen. Wenn man die KI ein wenig "füttert" (trainiert) und ihre Fehler korrigiert (Verfeinerung), wird sie zum Weltmeister.
3. Für Ärzte und Trainer: Das ist ein Game-Changer. Ärzte können Patienten in der Praxis oder sogar zu Hause filmen und erhalten trotzdem Daten, die so genau sind wie im teuren Forschungslabor. Das hilft bei der Rehabilitation nach Schlaganfällen oder bei der Analyse von Sportlern.

🎯 Fazit in einem Satz

Die Studie zeigt, dass eine selbst trainierte KI, die man ein wenig "nachjustiert", besser läuft als jede fertige Standard-Lösung und damit die Zukunft der Bewegungsanalyse ist – genau wie ein maßgeschneiderter Anzug besser sitzt als eine Konfektionsware aus dem Schaufenster.

Technische Zusammenfassung

Technische Zusammenfassung: Deep-Learning-basierte markerlose Pose-Schätzung in der Ganganalyse

1. Problemstellung
Die aktuelle Goldstandard-Methode zur Analyse menschlicher Bewegungen ist die markerbasierte Motion-Capture-Technologie. Diese bietet zwar eine hohe Präzision (Sub-Millimeter-Bereich), ist jedoch durch hohe Kosten, die Notwendigkeit speziell geschulten Personals und die Abhängigkeit von kontrollierten Laborumgebungen limitiert. Zudem können Hautmarker zu Fehlern durch Gewebeartefakte führen und das natürliche Bewegungsmuster verändern.
Markerlose Pose-Schätzungssysteme (Pose Estimation) stellen eine ökologische Alternative dar, die unauffällige Datenerfassung in natürlichen Umgebungen ermöglicht. Bisherige Studien haben jedoch oft nur vorgefertigte (Pre-Trained) Modelle verglichen, ohne das Potenzial von benutzerdefiniert trainierten Modellen (Custom-Trained) und Optimierungsverfahren wie dem "Refinement"-Prozess von DeepLabCut (DLC) vollständig auszuschöpfen.

2. Methodik
Die Studie verglich die Leistungsfähigkeit zweier populärer Open-Source-Systeme, OpenPose (OP) und DeepLabCut (DLC), bei der Erfassung von Gangparametern gesunder Probanden.

• Studiendesign: 40 gesunde Probanden (21 männlich, 19 weiblich) liefen fünfmal hin und her auf einem 5-Meter-Laufsteg.
• Referenzsystem: Vier Kraftmessplatten (Force Platforms) dienten als Referenzsystem zur Bestimmung der wahren Gangparameter.
• Datenerfassung: Eine RGB-Kamera (25 fps, 640x480 px) nahm die Bewegungen in der Sagittalebene auf.
• Vergleichene Systeme:
  1. OPPT: OpenPose mit dem vorgefertigten "BODY_25"-Modell.
  2. DLCPT: DeepLabCut mit dem vorgefertigten "Model Zoo full_human"-Modell.
  3. DLCCT: DeepLabCut mit einem benutzerdefiniert trainierten Modell (basierend auf ResNet-101).
• Training des DLCCT-Modells:
  • Ein Datensatz von 400 Bildern wurde erstellt (10 Frames pro Video, ausgewählt via k-Means-Clustering).
  • Manuelle Annotation von 16 Gelenkpunkten (Schultern, Ellbogen, Handgelenke, Hüften, Knie, Knöchel, Fersen, Zehen).
  • Training über 800.000 Iterationen mit Daten-Augmentierung (Rotation, Skalierung, Kontrastanpassung).
  • Variablen: Es wurden Modelle mit unterschiedlichen Trainingsdatengrößen getestet (100, 200, 300, 400 Bilder).
  • Refinement-Prozess: Um die Leistung zu optimieren, wurden für jede Datengröße zwei Ausreißer-Frames pro Video manuell korrigiert und dem Trainingsdatensatz hinzugefügt (z. B. DLCCT380R = 300 initiale + 80 korrigierte Frames), gefolgt von einem Neutraining.
• Analyse: Die geschätzten Gelenkkoordinaten wurden gefiltert (Butterworth-Filter, 5 Hz) und zur Berechnung zeitlicher Gangparameter (Schrittdauer, Kadenz, Standzeit, Doppelstützzeit) verwendet. Die Genauigkeit wurde mittels Pearson-Korrelation, Bland-Altman-Analyse und absolutem Fehler im Vergleich zu den Kraftmessplatten bewertet.

3. Wichtige Beiträge

• Erster direkter Vergleich: Dies ist eine der ersten Studien, die vorgefertigte und benutzerdefiniert trainierte DLC-Modelle direkt in der Ganganalyse vergleicht.
• Validierung des Refinement-Prozesses: Die Studie quantifiziert erstmals den Nutzen des DLC-Refinement-Prozesses (manuelle Korrektur von Ausreißern und Neutraining) für die Steigerung der Genauigkeit.
• Datengrößen-Optimierung: Es wurde untersucht, wie viele annotierte Frames notwendig sind, um ein robustes Modell zu erstellen, und wie sich dies auf die Leistung auswirkt.
• Klinische Relevanz: Die Arbeit liefert Leitlinien für die Implementierung kostengünstiger, markerloser Systeme in klinischen Umgebungen jenseits des Labors.

4. Ergebnisse

• Modellleistung: Das benutzerdefiniert trainierte Modell (DLCCT) übertraf sowohl das vorgefertigte DLC-Modell (DLCPT) als auch OpenPose (OPPT), sofern ausreichend Trainingsdaten vorhanden waren.
• Einfluss der Datengröße: Die Test-MAE (Mean Average Error) sank mit zunehmender Größe des Trainingsdatensatzes.
• Überlegenheit des Refinement-Prozesses: Modelle mit Refinement (z. B. DLCCT380R) zeigten eine signifikant bessere Leistung als ihre initialen Pendants (DLCCT300) und sogar als Modelle, die mit mehr initialen Daten trainiert wurden (z. B. DLCCT380R war besser als DLCCT400).
• Genauigkeitsmetriken:
  • DLCCT380R erzielte die stärkste lineare Korrelation mit dem Referenzsystem und die engsten Bland-Altman-Limits (LOA).
  • OpenPose (OPPT) war dem vorgefertigten DLC-Modell (DLCPT) überlegen, aber unterlegen gegenüber den optimierten DLCCT-Modellen.
  • Das vorgefertigte DLC-Modell (DLCPT) zeigte Schwächen bei Parametern, die die Unterscheidung zwischen Ferse und Zehen erfordern (Standzeit, Doppelstützzeit), da es nur den Knöchel detektiert, während die anderen Systeme spezifischere Keypoints nutzen.
• Fehleranalyse: Die absoluten Fehler waren bei den optimierten DLCCT-Modellen am geringsten, was sowohl höhere Genauigkeit als auch höhere Präzision belegt.

5. Bedeutung und Fazit
Die Studie belegt, dass markerlose Pose-Schätzungssysteme, wenn sie korrekt konfiguriert sind, eine valide Alternative zu teuren Marker-Systemen darstellen.

• Schlüsselerkenntnis: Die Verwendung von benutzerdefiniert trainierten Modellen (DLCCT) ist entscheidend für die Genauigkeit in spezifischen Anwendungen wie der Ganganalyse.
• Effizienzsteigerung: Der Refinement-Prozess ist ein mächtiges Werkzeug, das die Notwendigkeit manueller Neukennzeichnung großer Datenmengen reduziert und gleichzeitig die Modellleistung maximiert.
• Anwendung: Für Kliniker und Praktiker bietet diese Methode einen kostengünstigen, präzisen Weg, um Bewegungsanalysen in natürlichen Umgebungen durchzuführen, was besonders für die Rehabilitation und die Langzeitüberwachung von Patienten von großem Wert ist.

Zusammenfassend zeigt die Arbeit, dass durch die Kombination von Transfer Learning, benutzerdefiniertem Training und dem Refinement-Prozess DeepLabCut die derzeit vielversprechendste Lösung für präzise, markerlose Ganganalysen darstellt.