Computergestützte Gesichtserkennung zur automatisierten Diagnose der facio-scapulo-humeralen Muskeldystrophie (FSMHD) (CV4DIAGNOSIS)

Die klinische Diagnose der Facio-Scapulo-Humeral-Muskeldystrophie (FSHMD) erfordert die Verlegung der Patienten in ein medizinisches Zentrum und eine langwierige Untersuchung mit medizinischem Personal und kann in den leichtesten Fällen unterschätzt werden. Daher erfordert es eine kostspielige und belastende Logistik sowohl für Patienten, die in abgelegenen Gebieten leben und lange und teure Reisen unternehmen müssen, als auch für das klinische Personal. Dies ist ein Hindernis für eine groß angelegte Diagnose. Die Forscher planen, diese Einschränkungen durch den Einsatz digitaler Gesichtsanalysetechnologie zu verringern, die eine groß angelegte Diagnose von Patienten durch Telemedizin ermöglichen würde.

Motiviert durch die oben beschriebenen Gründe und vorläufige Ergebnisse ist das Ziel dieses Projekts die Entwicklung von Methoden zur automatischen Erkennung und Überwachung des Fortschreitens dieser Krankheit unter Verwendung von Computer-Vision-Algorithmen. Dazu werden die Forscher zunächst eine Datenbank mit Bildern und Videos von Patienten mit mittelschwerer bis schwerer FSHMD, Patienten mit anderen Muskeldystrophien, die Gesichtsmuskelasymmetrien verursachen, sowie von Kontrollpersonen ohne Gesichtsbeteiligung aufbauen. Jedes dieser Subjekte wird klinisch und genetisch charakterisiert.

Die Forscher werden dann Computertools entwickeln, die Video- und Audiosensoren verwenden, die in der Lage sind, Gesichtsmuskelschäden bei Patienten mit FSHMD zu erkennen und sie einerseits von Kontrollpersonen und andererseits von Patienten mit anderen Muskeldystrophien zu unterscheiden. Die Ermittler wollen die neuesten Fortschritte im Bereich „Deep-Learning“ nutzen und ihre Architektur verbessern, um unsere Ziele zu erreichen.

Zusätzlich zu diesem ganzheitlichen Ansatz werden die Forscher Ansätze zur Gesichtserkennung untersuchen, die in der Lage sind, verschiedene Gesichtsbereiche auf Bildern genau zu identifizieren, sowie die Relevanz verschiedener statistischer Eigenschaften der Gesichtsdynamik (Dauer und Intensität). Diese Algorithmen werden auch nützlich sein, um die Entwicklung von Gesichtsschäden zu überwachen, um ein spezifisches Messinstrument zu entwickeln, das bei der Patientennachsorge und in klinischen Studien in frühen Stadien der Krankheit verwendet werden könnte.