В.С. Кумов1, А.В. Самородов2
1,2 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
Постановка проблемы. Анализ черепно-лицевой морфологии имеет крайне важное значение в клинической генетике, поскольку до 40% всех генетических заболеваний сопровождаются множественными изменениями в строении лица и головы. Трудоемкость и субъективность описания фенотипа осложняет процедуру клинико-морфологического осмотра. Предпринимаются попытки автоматизации процесса оценки фенотипических признаков, однако не предложен доступный и интерпретируемый метод количественной оценки врожденных морфогенетических вариантов лица, не требующий при этом 3D сканирования.
Цель. Разработать и исследовать метод автоматизированной оценки врожденных морфогенетических вариантов лица по 2D изображению.
Результаты. Проведено исследование погрешности определения 32-х фенотипических параметров и точности распознавания врожденных морфогенетических вариантов лица. Выполнено сравнение двух подходов к оценке фенотипических параметров, использующих непосредственно 2D изображение и результат 3D реконструкции. Установлено, что метод автоматизированной оценки врожденных морфогенетических вариантов по одному 2D фронтальному изображению лица, основанный на определении положения контрольных точек лица в реконструированном 3D изображении, позволяет выявлять их со средней точностью 96%.
Практическая значимость. В результате проведенных исследований разработан метод автоматизированной оценки врожденных морфогенетических вариантов по одному 2D фронтальному изображению лица, основанный на определении положения контрольных точек лица в реконструированном 3D изображении.
Кумов В.С., Самородов А.В. Исследование метода автоматизированной оценки врожденных морфогенетических вариантов лица по 2D изображению // Биомедицинская радиоэлектроника. 2023. T. 26. № 4. С. 28–36. DOI: https://doi.org/10.18127/ j15604136-202304-03
- Батышева Т.Т., Кондакова О.Б., Квасова О.В. Наследственные заболевания в практике детского невролога. Методические рекомендации № 24. М. 2015. 32 с.
- Гинзбург Б.Г. Методы определения частоты врожденных пороков развития и врожденных морфогенетических вариантов у детей в системе генетического мониторинга // Педиатрия. Журнал им. Г.Н. Сперанского. 1999. № 4. С. 41–44.
- Мелешкина А.В., Чебышева С.Н., Бурдаев Н.И. Малые аномалии развития у детей. Диагностика и возможности профилактики // Consilium medicum. 2015. V. 17. № 6. С. 68–72.
- Wright C.F. et al. Paediatric genomics: diagnosing rare disease in children // Nature Reviews Genetics. 2018. V. 19. № 5. P. 253–268.
- 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.
- Weinreich S.S. et al. Orphanet: a European database for rare diseases // Nederlands tijdschrift voor geneeskunde. 2008. V. 152. № 9. P. 518–519.
- 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.
- Hochheiser H. et al. The FaceBase Consortium: a comprehensive program to facilitate craniofacial research // Developmental Biology. 2011. V. 355. № 2. P. 175–182.
- 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.
- Ferry Q. et al. Diagnostically relevant facial gestalt information from ordinary photos // Elife. 2014. V. 3. № e02020. P. 1–22.
- Gender toolpie. URL: https://gender.toolpie.com/
- 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.
- Deep3DFaceReconstruction.URL: https://github.com/microsoft/Deep3DFaceReconstruction
- 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.
- Palmer R.L., Helmholz P., Baynam G. Cliniface: phenotypic visualisation and analysis using non-rigid registration of 3D facial images // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2020. V. 43. P. 301–308.
- Кумов В.С., Самородов А.В. Исследование пространства признаков для построения системы автоматизированного распознавания наследственных заболеваний по изображению лица // Биомедицинская радиоэлектроника. 2022. Т. 25. № 5. С. 49–57.
- 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. P. 1–7.
- 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.
- Gurovich Y. et al. Identifying facial phenotypes of genetic disorders using deep learning // Nature medicine. 2019. V. 25. № 1. P. 60–64.
- Muers L. et al. Clinical versus automated assessments of morphological variants in twins with and without neurodevelopmental disorders // American Journal of Medical Genetics Part A. 2020. V. 182A. P. 1177–1189.