Novel, Markerless, Kinematic Tool Utilising a Deep Neural Network for Analysis of Joint Range of Motion and Lameness In Dogs
Notice bibliographique
Résumé
Introduction: Kinematics is a widely accepted tool for gait assessment in dogs, however, its use requires specific equipment and knowledge which limits its clinical utility. Human research is now focused on markerless motion capture. Our study aimed to develop the first markerless kinematic tool to objectively measure the ROM of dogs’ joints. It also aims to identify changes associated with elbow osteoarthritis. Materials and Methods: Thirty-eight large breed dogs were enrolled—5 sound control dogs and 33 dogs with elbow osteoarthritis. The dogs were filmed trotting with a GoPro4. The videos were uploaded to a computer-learning program which utilized a deep neural network to autonomously map the joints and spine. The range of motion (ROM) of the shoulder, elbow, hip, and stifle were calculated in the control dogs and compared with previously reported kinematic values to validate the program. The analysis was repeated on dogs with elbow OA to identify any changes in the data. Results: The joint ROM in the control dogs were consistent with previously reported kinematic values. The program detected that elbow osteoarthritis in dogs caused a reduction in elbow ROM by 6.1 degrees. Discussion/Conclusion: This novel markerless kinematic tool can accurately and precisely track joints of large breed dogs at the trot and provide joint ROM consistent with more invasive kinematic tools. The program identified a reduction in elbow ROM in dogs affected by elbow OA consistent with previous studies. This research is an important step towards objective, accessible, and noninvasive tools for lameness assessment in dogs. Acknowledgment None. Publication History Article published online: 15 July 2025 © 2025. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».