Direct estimation of the knee flexion angle from a monocular image during walking

Résumé

L’utilisation récente de techniques d’apprentissage profond dans les applications biomécaniques a ouvert de nouvelles opportunités pour la capture de mouvement et l’évaluation fonctionnelle à partir d’images, de manière non-invasive. Avec l’augmentation de l’importance des modèles de vision par ordinateur basés sur l’apprentissage profond, l’entreprise Emovi vise à remplacer les méthodes de capture de mouvement basées sur le système KneeKG (capture de mouvement avec marqueurs) par des stratégies sans marqueurs permettant d’estimer et d’évaluer certains paramètres anatomiques des membres inférieurs. Ce mémoire propose un nouveau modèle de régression directe, construit autour d’une architecture de base ResNet et enrichi par des contraintes sur les cartes de caractéristiques intermédiaires, afin d’estimer directement les angles de flexion du genou à partir des séquences de mouvements fonctionnels sous forme d’images RGB monoculaires. Cette supervision intermédiaire sur les cartes de caractéristiques vise à renforcer la cohérence spatiale des représentations internes du réseau. Une base de données a été acquise dans un environnement de laboratoire contrôlé en utilisant le système KneeKG, qui fournit des données cinématiques de référence validées cliniquement. Contrairement aux approches antérieures basées sur des configurations multi-vues ou des systèmes complexes avec marqueurs, ce travail introduit une méthode capable d’estimer les angles articulaires du genou à partir d’une seule image monoculaire. Ce travail introduit également des stratégies d’inpainting d’image afin d’encourager un apprentissage du modèle plus orientévers la tâche d’estimation. Les évaluations quantitatives démontrent une erreur absolue moyenne de 2.4◦ sur les données de test pour l’estimation de l’angle de flexion. Ces résultats indiquent un potentiel d’application en contexte clinique où des outils d’analyse du mouvement accessibles et à faible coût sont favorisés.

Date	18 août 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Carlos Vázquez (Directeur(-trice))