在缺乏监督的情况下,对帕金森病步行视频进行自动标签

科学领域:

• 生物医学工程 生物医学工程
• 计算机视觉 计算机视觉
• 神经学 神经学

背景情况:

• 帕金森病 (PD) 运动功能障碍在临床上使用运动障碍学会的帕金森病统一评级表 (MDS-UPDRS) 进行评估.
• 目前的MDS-UPDRS评估是耗时的,昂贵的,主观的,容易发生评审者之间的变化.
• 需要客观的,自动化的方法来进行可靠的PD步态分析.

研究的目的:

• 从患者视频中开发一种自动,客观和弱监督的方法来分类帕金森病 (PD) 步态.
• 克服像MDS-UPDRS这样的传统临床评估的局限性.
• 为了实现准确的步态评分,而不需要先验的MDS-UPDRS评级进行培训.

主要方法:

• 为行走视频分析提出了一个弱监督的方法,将得分分类为正常 (MDS-UPDRS = 0) 或PD (MDS-UPDRS ≥ 1).
• 利用神经学家的特定领域知识来创建步态分类的标签函数.
• 采用一种生成模型,用于自我监督学习标签函数准确性.
• 开发了一种弱监督的3D人体姿势估计方法,以微调预训练模型的临床数据.

主要成果:

• 在29名PD受试者的数据集上,使用离开一次的评估实现了89%的准确性.
• 与以前的方法相比,证明了7%-10%的改善.
• 在Human3.6M数据集上取得了最先进的结果.
• 展示了标签函数的稳定性,用于分类面向患者的运动任务视频.

结论:

• 拟议的弱监督方法为PD步态评估提供了客观和自动化的解决方案.
• 标签功能与生成模型相结合,为解释临床视频提供了一个强大的框架.
• 这种方法有可能显著提高PD诊断和监测的效率和可靠性.