A Deep Learning-based Markerless Gait Analysis Model for Dogs Shows Promising Accuracy When Validated with 2D Marker-based Data = 개를 위한 딥러닝 기반 마커리스 보행 분석 모델의 정확도 평가: 2차원 마커 기반 데이터로의 검증

국문 초록 (Abstract)

본 연구의 목적은 임상 환경에서의 적용을 목표로 한 개 전용 딥러닝 기반 마커리스 보행 분석 모델을 무작위 초기화 상태에서 학습시키고, 이를 2차원(2D) 마커 기반 시스템으로 검증하는 것이다.
본 전향적 관찰 연구에는 30종 이상, 총 408두의 내원견이 포함되었다. 개들은 3.3 m 직선 보행로를 보행 또는 속보하며 측면 단일 카메라에 의해 촬영되었다. 이 중 374두로부터 수집된 20,000장의 마커리스 이미지가 모델 학습에 사용되었다. 모델의 검증 및 테스트에는 총 34두(검증 20두, 테스트 14두)가 포함되었으며, 수의사가 특정 해부학적 지점에 직접 부착한 물리적 마커를 통해 참값(ground-truth) 데이터를 생성하였다. 검증 및 테스트 세트에는 다양한 체형과 형태적 특성을 반영하기 위해 각각 10종의 견종이 포함되었다. ViTPose-L 모델은 개 전용 데이터셋을 기반으로 무작위 초기화 후 추가 학습되었으며, 모델의 정확도는 COCO-style 기반 mean Average Precision (mAP), Normalized Keypoint Error (NKE), Percentage of Correct Keypoints (PCK) 지표로 평가하였다.
마커리스 모델은 mAP 96.6%, NKE 2.29, PCK@0.05 92.62%의 높은 정확도를 보였으며, 이는 기존 공개 데이터셋의 보고치보다 우수한 성능을 나타냈다. 본 연구 결과는 딥러닝 기반 마커리스 보행 분석 모델이 2D 마커 기반 데이터와의 비교에서 해부학적 지점 추정에 대해 유망하며 초기 단계의 정확도를 보임을 시사한다. 본 시스템은 임상적 활용 가능성을 갖추고 있으며, 다양한 견종과 환경에서 추가적인 검증이 이루어져야 일상적 임상 활용이 가능할 것이다.

다국어 초록 (Multilingual Abstract)

The object of this study is to train a deep learning-based markerless gait analysis model from random initialization, tailored for canine gait analysis in clinical settings and to validate against a 2D marker-based system.
This prospective observational study used 408 client-owned dogs of more than 30 breeds, ranging from small to large body types. Dogs walked or trotted a 3.3-meter straight walkway and were recorded via a lateral single-camera setup using a smartphone camera (1080p, 30fps). Of these, 374 dogs contributed 20,000 markerless images for model training. For model validation and testing, 34 dogs (20 for the validation set and 14 for the test set) were recorded with physical markers that were directly attached to specific bony landmarks by a veterinarian to generate ground-truth data, and each subset included 10 breeds representing a range of sizes and morphologies. The ViTPose-L model was further trained from random initialization on the canine-specific dataset. Accuracy was evaluated using the COCO-style mean Average Precision (mAP), Normalized Keypoint Error (NKE), and Percentage of Correct Keypoints (PCK).
The markerless model achieved high accuracy, with a mAP of 96.6%, mean NKE of 2.29 and PCK@0.05 of 92.62%. The model’s performance exceeded previously reported benchmarks on public datasets.
These findings demonstrate that a deep learning–based markerless gait analysis system shows promising but early-stage accuracy for canine landmark localization compared with 2D marker-based data. This system may offer clinical utility for canine gait assessment, but further validation across breeds and environments is needed before routine use.

목차 (Table of Contents)

• INTRODUCTION 01
• METHODS 05
• Experimental setup and procedure 05
• Data processing and analysis 07
• Statistical analysis 11
• RESULTS 15
• Animals 15
• Overall performance 16
• Landmark-wise performance 17
• DISCUSSION 23
• CONCLUSION 30
• REFERENCES 32
• ABSTRACT IN KOREAN 41