В.В.Михайлишин1, Л.М.Смирнова2, В.А. Хазов3

1,2 ФГБУ «Федеральный научно-образовательный центр медико-социальной экспертизы и реабилитации им. Г.А. Альбрехта» Минтруда России (Санкт-Петербург, Россия)
2,3 ФГАОУ ВО «Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина)» (Санкт-Петербург, Россия)
1 mikhailishin_v@mail.ru, 2 info@diaserv.ru, 3 xazovv@icloud.com

Постановка проблемы. Среди заболеваний стоп плоскостопие – наиболее частая причина нарушения опорно-двигательного аппарата. Плоскостопие характеризуется уплощением сводов стопы, снижением амортизационной функции, изменением биомеханики ходьбы и болевыми синдромами. Для диагностики плоскостопия широко используется компьютерная плантография, поэтому актуальной задачей стала детекция ключевых точек на электронных плантограммах с целью диагностики состояния стопы при данном заболевании. Эффективность этого процесса может быть повышена за счет снижения его продолжительности и объективизации с помощью технологии искусственного интеллекта.

Цель. Разработать и оценить модель детекции ключевых точек на снимках компьютерной плантографии средствами искусственного интеллекта.

Результаты. В исследовании использован набор данных, содержащий 1000 снимков компьютерной плантографии разных пациентов, позволяющий проводить морфофункциональную оценку стопы и рассчитывать показатели деформаций.

По итогам обучения модели yolo11x-pose (модель определения местоположения определенных точек на изображении) была получена динамика изменения значений функции потерь и изменения метрик качества работы модели по мере ее обучения. Точность детекции составила 0,9951 для объектов и 0,9952 для точек, полнота детекции – 1,0 для обеих задач. Полученные данные демонстрируют способность модели корректно распознавать целевые элементы с минимальными ошибками. Отмечено, что значения mAP50 были на уровне 0,995, а mAP50-95 составили 0,9477 для детекции объектов и 0,9647 – для задач детекции ключевых точек.

Практическая значимость. Детекция ключевых точек на снимках компьютерной плантографии модели искусственного интеллекта позволяет повысить эффективность детекции ключевых точек на электронных плантограммах с целью диагностики состояния стоп.

Михайлишин В.В., Смирнова Л.М., Хазов В.А. Детекция ключевых точек электронных плантограмм средствами искусственного интеллекта // Биомедицинская радиоэлектроника. 2025. T. 28. № 3. С. 42−47. DOI: https://doi.org/10.18127/j15604136-202503-05

1. Evans A. M., Rome K. A review of the evidence for non-surgical interventions for flexible pediatric flat feet. Eur J Phys Rehabil Med. 2011. V. 47. № 1. P. 1–21.
2. Salinas-Torres V.M., Salinas-Torres R.A., Carranza-García L.E., Herrera-Orozco J., Tristán-Rodríguez J.L. Prevalence and Clinical Factors Associated With Pes Planus Among Children and Adults: A Population-Based Synthesis and Systematic Review. J. Foot Ankle Surg. 2023. Sep.-Oct. V. 62(5). P. 899–903. DOI: 10.1053/j.jfas.2023.05.007. Epub 2023 Jun 5. PMID: 37286098.
3. Веденина А.С., Ткачук И.В., Смирнова Л.М. и др. Скрининг функциональных нарушений стоп с помощью компьютерной плантографии и подометрии // Медицинская техника. 2014. № 2(284). С. 21–24.
4. Елисеева О.Г., Гавриков К.В., Краюшкин А.И. и др. Использование метода компьютерной плантографии для исследования морфофункционального состояния стопы у детей // Бюллетень Волгоградского научного центра Российской академии медицинских наук и Администрации Волгоградской области. 2006. № 2. С. 18–18a.
5. Патент № 2253363 (РФ). Способ диагностики состояния отделов стопы / К.В. Гавриков, И.А. Плешаков, С.И. Калужский, А.И. Перепелкин, Н.В. Андреев. 2005. Бюл. № 16.
6. Патент № 2492803 (РФ). Способ диагностики рессорной и опорной функций стопы спортсмена / А.А. Руденко, Н.И. Иванова. 2013.
7. Перепелкин А.И., Краюшкин А.И., Атрощенко Е.С. Исследование продольного свода стопы у детей методом компьютерной плантографии // Бюллетень медицинских интернет-конференций. 2015. Т. 5. № 7. С. 1053–1057.
8. Castiglioni I. et al. AI applications to medical images: From machine learning to deep learning. Physica medica. 2021. V. 83. P. 9–24.
9. Obuchowicz R., Strzelecki M., Piórkowski A. Clinical Applications of Artificial Intelligence in Medical Imaging and Image Processing–A Review. Cancers. 2024. V. 16. № 10. P. 1870.
10. Tang X. The role of artificial intelligence in medical imaging research. BJR| Open. 2019. V. 2. № 1. P. 20190031.
11. Михайлишин В.В. Смирнова Л.М., Черкашин С.О. Цифровая обработка электронных плантограмм с применением технологий искусственного интеллекта как этап автоматизации плантографических исследований // Цифровая обработка сигналов. 2024. № 3. С. 19–24.
12. Иоффе Р.Я., Смирнова Л.М., Белянин О.Л. Комплексная оценка состояния стопы на системе «Скан» // Вестник всероссийской гильдии протезистов-ортопедов. 2004. № 2. С. 36–40.
13. Ragab M. G. et al. A Comprehensive Systematic Review of YOLO for Medical Object Detection (2018 to 2023). IEEE Access. 2024.