Hintergrund

Die Cerebralparese (CP) ist eine Bewegungsstörung, die durch eine frühkindliche Schädigung des Gehirns verursacht wird. Sie wirkt sich hauptsächlich auf die motorische Kontrolle aus. Menschen mit CP haben oft Schwierigkeiten beim Gehen mit deutlichen Abweichungen zur Norm. Zu den häufigsten Symptomen gehören erhöhte Muskelspannung (Spastik), niedrige Grundspannung, die zielsichere Bewegung erschwert (Ataxie) und wechselnde Muskelspannung mit unkontrollierten Bewegungen der Arme (Atheose). Die Therapie von CP ist facettenreich und umfasst eine Kombination aus konservativen und operativen Maßnahmen. Dazu gehören Physiotherapie, Ergotherapie, Logopädie, Medikamente und orthopädische Eingriffe.

Für die medizinische Entscheidungsfindung ist die klinische 3D Gang- und Bewegungsanalyse ein wesentliches Instrument, um die bestmögliche Versorgung der Betroffenen zu gewährleisten. Sie unterstützt bei folgenden Aspekten:

• Objektive Messungen: Die 3D-Ganganalyse ermöglicht eine objektive Messung der Gangbewegungen. Sie erfasst Daten über die Bewegungsmuster der Gelenke, die Ganggeschwindigkeit, Schrittlänge, Schrittbreite und andere Parameter. Diese Informationen sind für die Diagnose und die Planung der Therapie von entscheidender Bedeutung.
• Feststellung von Abweichungen: Durch die Analyse der Gangbewegungen können Abweichungen von einem normalen Gangmuster identifiziert werden. Dies hilft den Ärzt*innen und Therapeut*innen, spezifische Problembereiche zu erkennen, z. B. ungleichmäßige Schrittlängen oder unkoordinierte Bewegungen.
• Therapieplanung: Basierend auf den Ergebnissen der 3D-Ganganalyse kann ein individueller Therapieplan erstellt werden. Dies kann die Auswahl von Übungen, orthopädischen Hilfsmitteln oder chirurgischen Eingriffen umfassen, um die Gangfunktion zu verbessern.
• Verlaufskontrolle: Während der Behandlung ermöglicht die 3D-Ganganalyse eine regelmäßige Überwachung des Fortschritts. Änderungen im Gangmuster können frühzeitig erkannt werden, um die Therapie anzupassen

Insgesamt trägt die 3D-Ganganalyse dazu bei, die Lebensqualität von Menschen mit CP zu verbessern, indem sie eine fundierte Grundlage für die individuelle Behandlung bietet.

Problemstellung

Ein großer Nachteil der instrumentierten 3D Ganganalyse ist, dass sie zurzeit nur wenigen Institutionen zur Verfügung steht. Dies liegt vor allem daran, dass sie auf teure und komplexe Motion-Capture Hardware angewiesen ist und nur in speziell ausgestatteten Laboren mit entsprechend geschultem Personal durchgeführt werden kann. Damit möglichst viele Patient*innen für ihre medizinische Behandlung von den Vorteilen einer Ganganalyse profitieren können, benötigt es kostengünstige und benutzer*innenfreundliche Alternativen.

Projektinhalt und Ziele

Die enormen Fortschritte im Bereich von Deep Learning und Computer Vision haben Technologien hervorgebracht, die 3D Bewegungsanalysen auf Basis von simplen Videoaufnahmen (z.B. Smartphones) ermöglichen. Diese markerlosen Motion Capture Technologien zeigen vielversprechendes Potenzial, um kostengünstige und laborunabhängige Ganganalysen zu realisieren. Ihre Genauigkeit und Zuverlässigkeit bei Personen mit CP muss jedoch noch gründlich untersucht werden. In diesem Projekt haben wir vor, diese Lücke durch eine umfassende Studie zu schließen. Wir prüfen, ob eine solches kostengünstiges, markerloses Bewegungsanalysesystem ausreichend valide und reliable Ergebnisse liefert, um damit Ganganalysen durchzuführen, die in der Diagnose und für die Therapie einen Mehrwert bieten.

Konkret wird das von der Stanford University entwickelte markerless Motion Capture System OpenCap (www.opencap.ai) untersucht. OpenCap kombiniert Smartphonetechnologie mit Cloudcomputing und einer benutzerfreundlichen Weboberfläche und ermöglicht 3D Bewegungsanalysen ohne teure Hardware. Die Lösung ist frei zugänglich und kostenlos. Die im Projekt gewonnenen Daten werden außerdem dafür genutzt, die zugrunde liegenden Pose-Estimation-Algorithmen von OpenCap darauf zu trainieren, die Bewegungen in den CP-spezifischen Videodaten mit höherer Präzision zu erkennen. Um zu prüfen, ob die optimierten Pose-Estimation-Algorithmen tatsächlich bessere Ergebnisse liefern, wiederholen wir unsere Analysen mit den optimierten Modellen.

Innovation

Die Fortschritte bei der Erfassung von Körperbewegungen über einfache Kamerasysteme sind das Ergebnis jahrelanger, intensiver Zusammenarbeit von Fachleuten aus dem Bereich Computer Vision, der muskuloskelettalen Simulation und Expert*innen aus dem Bereich Machine Learning. Diese Innovationen machen es möglich, Motion-Capture-Systeme zu entwickeln, die auf keine teure Hardware angewiesen sind und einfach zu bedienen sind. Damit lassen sich neue Wege in der klinischen Ganganalyse beschreiten. In dem vorliegenden Projekt schlagen wir einen solchen Pfad ein und treiben die Entwicklung einfach zu nutzender Motion-Capture-Systeme voran, um damit einen Beitrag zu einer noch besseren Versorgung von Patient*innen mit CP zu leisten.