University thesis:
Dissertation, Tierärztliche Hochschule Hannover, 2023
Footnote:
Zusammenfassungen in deutscher und englischer Sprache
Description:
Neuste Studien im Bereich der objektiven Ganganalyse beim Tier beschäftigen sich mit der Erforschung und Einsatzbarkeit von Deep-Learning-Systemen zu markerlosen, kinematischen, kameragestützten Untersuchungen. Der Einsatz von kinematischen in Kombination mit kinetischen Untersuchungen gilt zurzeit als Goldstandard in der objektiven Ganganalyse. Meist werden hierbei noch markerbasierte Methoden zur kinematischen Untersuchung genutzt. Die Nutzung der Marker bringt jedoch einige Nachteile mit sich. Vor allem die mögliche Beeinflussung des Gangbildes durch die Befestigung der Marker am Tier erweist sich als enorme Beeinträchtigung einer adäquaten Gangbildanalyse. Der Einsatz markerloser Systeme ist somit ein sinnvoller Schritt. Erst die Entwicklungen im Bereich der künstlichen Intelligenz, welche eine automatische Erfassung der interessanten anatomischen Punkte ermöglichen, versprechen jedoch eine praktikable Anwendung, da ansonsten ein zeit-, kosten- und personalintensives Labeln aller einzelner Standbilder eines aufgezeichneten Videos zur Analyse nötig ist. In dieser Studie wurde eine neue Deep-Learning-Software des Unternehmens „VetVise“ auf die Genauigkeit der automatisierten Markerplatzierung bei unterschiedlichen Hunderassen untersucht. Das zugrundeliegende Deep Convolutional Neuronal Network (DCNN) wurde mit 2573 Standbildern trainiert. Ausgewertet wurden ausgewählte Sequenzen von jeweils zwei Videos von elf Hunden. Bei 67,28 % aller Daten konnte insgesamt eine korrekte automatische Platzierung durch das System festgestellt werden. Hier lässt sich unterscheiden in tatsächlich richtig gesetzte Markierungen (29,56 %) und richtig nicht gesetzte Markierungen (37,72 %), wenn der POI (point of interest) im Standbild verdeckt bzw. nicht sichtbar war. Gerade bei den Schulter- und Ellbogengelenken kam es vermehrt zu richtig nicht gesetzten Markierungen, da diese in vielen Sequenzen durchgängig von der Kamera abgewandt waren. Es zeigten sich dann kaum Fehlmarkierungen durch die Software. Die Karpalgelenke wurden meist gleichzeitig von beiden Seiten erfasst und waren nur selten verdeckt. Hier konnte ein höherer Anteil an richtig gesetzten Markierungen als bei den anderen Gelenken aufgezeichnet werden. Jedoch war auch der Anteil an Fehlmarkierungen mit 47,20 % bei beiden Karpalgelenken fast doppelt so hoch wie bei den anderen Gelenkpunkten. Bei der Aufschlüsselung der Werte nach den elf Probanden beziehungsweise nach den 22 Videos zeigte sich gerade bei einem Hund sehr schlechte Werte von unter 50 % richtig gesamt gesetzten...