Компьютеризированное распознавание лиц для автоматизированной диагностики фасио-лопаточно-плечевой мышечной дистрофии (FSMHD) (CV4DIAGNOSIS)

Клинический диагноз лице-лопаточно-плечевой мышечной дистрофии (ФЛМД) требует транспортировки больных в медицинский центр и длительного обследования с привлечением медицинского персонала и может быть недооценен в самых среднетяжелых случаях. Таким образом, это требует дорогостоящей и обременительной логистики как для пациентов, проживающих в отдаленных районах и вынужденных совершать длительные и дорогостоящие поездки, так и для клинического персонала. Это является препятствием для масштабной диагностики. Исследователи планируют устранить эти ограничения за счет использования технологии цифрового анализа лица, которая позволит проводить широкомасштабную диагностику пациентов с помощью телемедицины.

Мотивированный причинами, описанными выше, и предварительными результатами, целью этого проекта является разработка методов автоматического обнаружения и мониторинга прогрессирования этого заболевания с использованием алгоритмов компьютерного зрения. Для этого исследователи сначала создадут банк изображений и видео пациентов с FSHMD от умеренной до тяжелой степени, пациентов с другими мышечными дистрофиями, вызывающими асимметрию лицевых мышц, а также контрольных субъектов без участия лица. Каждый из этих субъектов будет охарактеризован клинически и генетически.

Затем исследователи разработают компьютерные инструменты с использованием видео- и аудиосенсоров, способных обнаруживать повреждения лицевых мышц у пациентов с FSHMD и отличать их от контрольных субъектов, с одной стороны, и пациентов с другими мышечными дистрофиями, с другой. Исследователи хотят использовать самые последние достижения в области «глубокого обучения» и улучшить свою архитектуру для достижения наших целей.

В дополнение к этому целостному подходу исследователи будут изучать подходы к распознаванию лиц, способные точно идентифицировать различные области лица на изображениях, а также релевантность различных статистических свойств лицевой динамики (продолжительность и интенсивность). Эти алгоритмы также будут полезны для мониторинга развития повреждения лица, чтобы разработать специальный инструмент измерения, который можно было бы использовать при последующем наблюдении за пациентами и в клинических испытаниях на ранних стадиях заболевания.