В.С. Кумов1, А.В. Самородов2
1,2 Московский государственный технический университет имени Н.Э. Баумана (Москва, Россия)
Постановка проблемы. Фенотипические признаки лица и головы крайне важны для врача-генетика, поскольку ряд синдромов характеризуется определенными отличительными особенностями черепно-лицевой морфологии. Описание фенотипа пациента в ходе клинико-морфологического осмотра часто носит субъективный характер. Предпринимаются попытки автоматизации распознавания наследственных заболеваний по изображению лица, однако вопрос построения наилучшего пространства признаков для такого рода систем не является решенным.
Цель работы – исследование различных пространств признаков для решения задачи автоматизированного распознавания наследственных заболеваний по изображению лица.
Результаты. Проведено обучение и тестирование алгоритма распознавания наследственных заболеваний при использовании разных комбинаций признаков: координат контрольных точек, глубоких признаков, антропометрических расстояний и индексов, их z-оценок. При использовании расстояний и индексов, характеризующих строение лица, и их z-оценок возможно построение классификатора, обеспечивающего точность классификации на 8 заболеваний более 70 % при ранге r = 1. Точность классификации выше при использовании значений расстояний и индексов, чем при использовании их z-оценок, что связано с ошибками автоматического определения возраста. Наибольшие значения точности классификации (более 86 % при ранге r = 1) получены при использовании комбинированных признаков, включающих как геометрические, так и глубокие признаки.
Практическая значимость. В результате проведенных исследований показано хорошее разделение классов синдромов и контрольной группы. Сформирован набор наиболее значимых признаков. Полученные результаты согласуются с результатами авторов других работ.
Кумов В.С., Самородов А.В. Исследование пространства признаков для построения системы автоматизированного распознавания наследственных заболеваний по изображению лица // Биомедицинская радиоэлектроника. 2022. T. 25. № 5. С. 49-57. DOI: https://doi.org/10.18127/j15604136-202205-06
- Писарчик Г.А., Малиновская Ю.В. Медицинская генетика: Учебно-методическое пособие. Минск: ИВЦ Минфина. 2017. 156 с.
- Бабцева А.Ф., Юткина О.С., Романцова Е.Б. Медицинская генетика: Учебное пособие для студентов лечебного и педиатрического факультетов. Благовещенск: ГБОУ ВПО Амурская государственная медицинская академия. 2012. 165 с.
- Бочков Н.П., Пузырев В.П., Смирнихина С.А. Клиническая генетика. М.: ГЭОТАР-Медиа. 2002.
- Hart T.C., Hart P.S. Genetic studies of craniofacial anomalies: clinical implications and applications // Orthodontics & craniofacial research. 2009. V. 12. № 3. P. 212-220.
- Farkas L.G. (ed.). Anthropometry of the Head and Face. Lippincott Williams & Wilkins. 1994.
- Deutsch C.K. et al. The Farkas system of craniofacial anthropometry: methodology and normative databases. Handbook of Anthropometry. NY: Springer. 2012. P. 561–573.
- Hochheiser H. et al. The FaceBase Consortium: a comprehensive program to facilitate craniofacial research // Developmental Biology. 2011. V. 355. № 2. P. 175–182.
- Farkas L.G., Munro I.R. (ed.). Anthropometric facial proportions in medicine. Charles C Thomas Pub Limited. 1987.
- Farkas L.G. et al. Proportion indices in the craniofacial regions of 284 healthy North American white children between 1 and 5 years of age // Journal of Craniofacial Surgery. 2003. V. 14. № 1. P. 13–28.
- Robinson P.N. et al. The Human Phenotype Ontology: a tool for annotating and analyzing human hereditary disease // The American J. of Human Genetics. 2008. V. 83. № 5. P. 610–615.
- Ferry Q. et al. Diagnostically relevant facial gestalt information from ordinary photos // Elife. 2014. V. 3. № e02020. P. 1–22.
- Gurovich Y. et al. Identifying facial phenotypes of genetic disorders using deep learning // Nature medicine. 2019. V. 25. № 1. P. 60–64.
- Kumov V., Samorodov A. Recognition of genetic diseases based on combined feature extraction from 2D face images // 2020 26th Conference of Open Innovations Association (FRUCT). IEEE. 2020. С. 1–7.
- Кумов В.С., Самородов А.В., Солониченко В.Г., Канивец И.В., Горгишели К.В. Биотехническая система для автоматизированных исследований врожденных морфогенетических вариантов лица // Биотехносфера. 2021. № 1 (66). С. 3–9.
- Deng Y. et al. Accurate 3D Face Reconstruction with Weakly-Supervised Learning: From Single Image to Image Set // IEEE Computer Vision and Pattern Recognition Workshop (CVPRW) on Analysis and Modeling of Faces and Gestures (AMFG). 2019.
- Cornejo J.Y.R., Pedrini H. Recognition of Genetic Disorders Based on Deep Features and Geometric Representation // Iberoamerican Congress on Pattern Recognition. Springer. Cham. 2018. P. 665–672.
- Pooch E.H.P., Alva T.A.P., Becker C.D.L. A Computational Tool for Automated Detection of Genetic Syndrome Using Facial Images // Brazilian Conference on Intelligent Systems. Springer. Cham. 2020. P. 361–370.
- Parkhi O.M., Vedaldi A., Zisserman A. Deep face recognition // in Proceedings of the British Machine Vision. 2015. V. 1. № 3. P. 6.
- Dalrymple K.A., Gomez J., Duchaine B. The Dartmouth Database of Children’s Faces: Acquisition and validation of a new face stimulus set // PloS one. 2013. V. 8. № 11. P. e79131.
- Gender toolpie. URL: https://gender.toolpie.com/