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

Cette étude démontre que DeepLabCut entraîné sur mesure et affiné par une fonction de raffinement surpasse les modèles pré-entraînés et OpenPose pour l'analyse de la marche sans marqueurs, offrant ainsi une solution précise et économique pour l'évaluation clinique du mouvement en conditions naturelles.

L'essentiel

🚶‍♂️ Le Grand Défi : Comment analyser la marche sans coller de gommettes ?

Imaginez que vous voulez étudier la façon dont les gens marchent.
Jusqu'à récemment, la méthode "parfaite" (le Gold Standard) consistait à coller des dizaines de petites gommettes réfléchissantes sur les articulations d'une personne, puis à la faire marcher dans une pièce remplie de caméras ultra-puissantes. C'est comme si vous transformiez un humain en un robot rempli de capteurs.

Le problème ? C'est cher, ça prend du temps, ça nécessite un laboratoire spécial, et les gommettes peuvent bouger sur la peau, faussant les résultats. C'est un peu comme essayer de faire du vélo avec un harnais de sécurité trop lourd : ça marche, mais ce n'est pas naturel.

La solution moderne : Les chercheurs veulent utiliser l'intelligence artificielle (IA) pour analyser la marche sans aucune gommette, juste avec une simple caméra de téléphone ou de webcam. C'est ce qu'on appelle la "pose estimation" (estimation de la posture).

🥊 Le Match : OpenPose vs DeepLabCut

Cette étude a organisé un grand tournoi pour voir quelle intelligence artificielle est la meilleure pour analyser la marche de 40 personnes saines. Deux champions se sont affrontés :

1. OpenPose (Le "Vétéran") : C'est un logiciel tout prêt. Il a déjà vu des millions de photos de gens dans sa vie. Il est comme un professeur qui a enseigné à des milliers d'élèves. Il connaît les bases, mais il n'a jamais vu votre façon spécifique de marcher.
2. DeepLabCut (Le "Chameau") : C'est un logiciel plus flexible. Il a aussi une base de connaissances, mais il peut apprendre spécifiquement votre façon de marcher si on lui montre quelques exemples. C'est comme un élève brillant qui veut se spécialiser dans votre cas précis.

Les chercheurs ont testé trois versions :

• OpenPose tout prêt (sans modification).
• DeepLabCut tout prêt (sans modification).
• DeepLabCut "Sur Mesure" (entraîné spécifiquement sur les vidéos des 40 personnes de l'étude).

🎓 La Leçon : L'Entraînement fait la différence

Voici les résultats, expliqués avec des analogies :

1. Le logiciel "Tout Prêt" (OpenPose) est bon, mais pas parfait.

C'est comme un guide touristique qui connaît Paris par cœur. Il peut vous dire où sont les rues principales, mais il ne connaît pas les petites ruelles cachées ni les habitudes locales. Il a fait du bon travail, mais il a parfois confondu le talon avec la cheville.

2. Le logiciel "Sur Mesure" (DeepLabCut personnalisé) est le champion.

C'est ici que la magie opère. Les chercheurs ont pris le logiciel DeepLabCut et lui ont montré 400 photos (des "frames") de leurs propres sujets en train de marcher. Ils ont dit à l'IA : "Regarde, c'est ici le genou, c'est ici le talon, c'est ici l'orteil."

Résultat ? L'IA est devenue un expert local. Elle a appris à reconnaître les détails spécifiques de la marche de ces personnes. Elle a battu le logiciel "tout prêt" et même OpenPose.

L'analogie du Chef Cuisinier :

• OpenPose, c'est un chef qui cuisine un plat standard pour tout le monde. C'est bon, mais c'est générique.
• DeepLabCut personnalisé, c'est un chef qui a goûté vos préférences, a ajusté les épices et a appris exactement comment vous aimez votre plat. Le résultat est bien meilleur.

3. L'astuce secrète : La "Fonction de Raffinement" (Refinement)

Même avec un entraînement personnalisé, l'IA fait parfois des erreurs (elle confond un coude avec une épaule, par exemple).
Les chercheurs ont utilisé une astuce géniale : ils ont demandé à l'IA de repérer les moments où elle était "incertaine" ou "en erreur". Ensuite, un humain est venu corriger ces erreurs précises, et l'IA a réappris avec ces corrections.

C'est comme si un étudiant révisait ses examens, mais au lieu de relire tout le livre, il se concentrait uniquement sur ses erreurs pour ne plus les refaire.
Résultat : Avec cette petite correction, la précision a explosé, devenant meilleure que si on avait simplement donné plus de photos à l'IA au départ.

🏆 Le Verdict Final

1. Le gagnant absolu : DeepLabCut personnalisé + Correction des erreurs. C'est la méthode la plus précise, presque aussi bonne que les caméras de laboratoire ultra-chères, mais beaucoup moins chère et plus facile à utiliser.
2. Le bon second : OpenPose (le logiciel tout prêt). Il reste très utile si vous n'avez pas le temps de faire un entraînement personnalisé.
3. Le perdant : DeepLabCut "tout prêt" (sans entraînement personnalisé). Il a montré que l'IA générique ne suffit pas toujours pour des tâches précises comme la marche.

💡 Pourquoi est-ce important pour nous ?

Imaginez un kinésithérapeute dans un petit cabinet, ou un entraîneur de sport dans un gymnase modeste. Ils n'ont pas 50 000 € pour acheter un laboratoire de mouvement.

Grâce à cette étude, ils peuvent maintenant :

• Prendre une simple caméra (ou un smartphone).
• Filmer un patient ou un athlète marcher.
• Utiliser ce logiciel "sur mesure" pour analyser la marche avec une précision incroyable.

Cela permet de détecter des problèmes de marche, de suivre la rééducation après un AVC, ou d'améliorer la performance sportive partout, pas seulement dans les grands laboratoires de recherche. C'est une révolution pour rendre l'analyse du mouvement accessible à tous !

Résumé technique

1. Problématique

L'analyse de la marche humaine repose actuellement sur des systèmes de capture de mouvement basés sur des marqueurs physiques (gold standard), qui offrent une précision sub-millimétrique mais présentent des limitations majeures : coût élevé, nécessité d'un environnement contrôlé, besoin d'opérateurs spécialisés et présence d'artéfacts dus au mouvement des marqueurs sur la peau (soft tissue artifacts).

Les systèmes d'estimation de pose sans marqueurs (markerless) émergent comme des alternatives écologiques et peu coûteuses. Cependant, leur précision dans des contextes cliniques réels reste à valider. Deux outils open-source populaires, OpenPose (OP) et DeepLabCut (DLC), sont souvent utilisés, mais les études comparatives existantes se sont principalement concentrées sur des modèles pré-entraînés (pre-trained) sans exploiter pleinement le potentiel de l'apprentissage par transfert (transfer learning) via des modèles personnalisés (custom-trained). De plus, l'impact des processus de raffinement (refinement) de DLC sur la précision des paramètres spatio-temporels de la marche n'a pas été suffisamment exploré.

2. Méthodologie

L'étude a comparé la performance de trois systèmes d'estimation de pose sans marqueurs par rapport à un système de référence (plateformes de force).

• Participants et Protocole : 40 sujets sains (21 hommes, 19 femmes) ont marché sur une allée de 5 mètres équipée de quatre plateformes de force (BTS Bioengineering) et filmée par une caméra RGB unique (25 fps, vue sagittale). Chaque sujet a effectué 10 allers-retours.
• Systèmes Comparés :
  1. OPPT : OpenPose avec le modèle pré-entraîné "BODY_25".
  2. DLCPT : DeepLabCut avec le modèle pré-entraîné "Model Zoo full_human".
  3. DLCCT : DeepLabCut avec un modèle personnalisé (Custom-Trained) basé sur l'architecture ResNet-101.
• Entraînement du Modèle Personnalisé (DLCCT) :
  • Un jeu de données initial a été créé en extrayant 400 images (10 par vidéo) via un clustering k-means.
  • 16 points clés (keypoints) ont été annotés manuellement (épaules, coudes, poignets, hanches, genoux, chevilles, talons, orteils).
  • Le modèle a été entraîné sur 800 000 itérations avec augmentation de données (rotation, mise à l'échelle).
  • Variations de taille de jeu de données : Des modèles ont été entraînés avec 100, 200, 300 et 400 images (DLCCT100 à DLCCT400).
  • Fonction de Raffinement (Refinement) : Pour optimiser la performance, 2 images aberrantes (outliers) par vidéo ont été corrigées manuellement et réajoutées aux jeux de données initiaux, créant des jeux raffinés (ex: DLCCT380R = 300 initiales + 80 raffinées).
• Analyse des Données :
  • Extraction des événements de contact du talon (HC) et de décollage des orteils (TO) à partir des coordonnées x-y filtrées.
  • Calcul des paramètres temporels : temps de pas, cadence, temps d'appui, temps de double appui.
  • Métriques d'évaluation : Comparaison avec les plateformes de force via le coefficient de corrélation de Pearson, l'analyse de Bland-Altman (limites d'accord), et l'erreur absolue (précision et justesse).

3. Contributions Clés

• Validation de l'apprentissage personnalisé : Première étude comparant systématiquement les modèles pré-entraînés et personnalisés de DLC spécifiquement pour l'analyse de la marche chez des sujets sains.
• Évaluation de la fonction de raffinement : Démonstration empirique que la fonction de raffinement de DLC (correction manuelle des outliers et ré-entraînement) améliore significativement la précision, même avec des jeux de données initiaux plus petits.
• Optimisation des ressources : Identification du nombre minimal d'images nécessaires pour obtenir une performance supérieure aux modèles "hors de la boîte" (off-the-shelf), rendant la méthode accessible pour des cliniques aux ressources limitées.

4. Résultats

• Performance des Modèles :
  • Le modèle DLCCT380R (300 images initiales + raffinement) a démontré les meilleures performances globales, surpassant à la fois le modèle pré-entraîné DLCPT, le modèle OpenPose (OPPT) et les autres versions de DLCCT.
  • L'augmentation de la taille du jeu de données initial réduit l'erreur moyenne (MAE) et améliore la corrélation, mais le raffinement permet d'obtenir de meilleurs résultats avec moins d'images initiales (ex: DLCCT180R > DLCCT200 initial).
• Comparaison avec la Référence (Plateformes de Force) :
  • Corrélation : Tous les systèmes DLCCT (à partir de 200 images) et OPPT ont montré une forte corrélation (> 0,7) avec les plateformes de force. DLCPT et DLCCT100 ont montré des corrélations faibles, notamment pour le temps de double appui.
  • Accord (Bland-Altman) : Les limites d'accord (LoA) se sont rétrécies avec l'augmentation de la taille du jeu de données et le raffinement. DLCCT380R a présenté les LoA les plus étroites.
  • Erreur Absolue : DLCCT380R a affiché la meilleure précision et justesse. OPPT a surpassé DLCPT et DLCCT100, mais a été inférieur aux modèles DLCCT personnalisés bien entraînés (≥ 300 images).
• Impact des Points Clés : La mauvaise performance de DLCPT sur le temps d'appui et le double appui est attribuée à sa détection limitée (cheville uniquement) par rapport aux modèles personnalisés qui détectent spécifiquement le talon et l'orteil, essentiels pour ces paramètres.

5. Signification et Implications

• Avancée Clinique : L'étude démontre qu'il est possible d'obtenir une analyse de marche précise et fiable en dehors du laboratoire, avec un équipement peu coûteux (une seule caméra standard) et open-source, à condition d'investir dans un entraînement personnalisé.
• Efficacité du Raffinement : La fonction de raffinement de DeepLabCut est identifiée comme un outil crucial pour optimiser la précision sans nécessiter un nombre prohibitif d'images annotées manuellement, réduisant ainsi le temps de traitement global.
• Recommandation : Pour les applications cliniques nécessitant une haute précision (ex: rééducation post-AVC, suivi de la symétrie de la marche), l'utilisation d'un modèle DeepLabCut personnalisé et raffiné est supérieure aux solutions pré-entraînées ou à OpenPose. Cela ouvre la voie à une adoption plus large de l'analyse de mouvement dans des environnements naturels et des cliniques de routine.