Elk jaar, meer dan een miljoen kinderen worden geboren met een genetische ziekte. Hoewel ongeveer de helft van de genetische syndromen gezichtsdysmorfologie vertoont, abnormale gelaatstrekken zijn vaak subtiel bij de geboorte en de identificatie ervan door kinderartsen kan een uitdaging zijn. Vertragingen en fouten bij de diagnose hebben een significante invloed op de mortaliteit en morbiditeit die verband houden met genetische syndromen. Bij wijze van voorbeeld, de gemiddelde nauwkeurigheid bij de detectie van een van de meest bestudeerde genetische syndromen, Syndroom van Down, door een getrainde kinderarts is slechts 64% in de VS, en dus worden methoden voor de vroege detectie van genetische syndromen erg belangrijk.

Vandaag, gezichtsanalyse van kinderen van foto's is een techniek die vroege identificatie van genetische syndromen mogelijk maakt. Echter, afbeeldingen kunnen problemen hebben met kalibratie en verlichting. Hoewel 3D-fotografie een aantal van deze problemen oplost, 3D-scanners om craniofaciale dysmorfologie bij kinderen te kwantificeren zijn duur en vaak niet in alle gezondheidscentra beschikbaar. Een recente studie presenteert een nieuwe methode om gezichtsanalyse te optimaliseren waarmee het gezicht in 3D kan worden gereconstrueerd op basis van 2D-foto's.

Araceli Morales, Gemma Piella en Federico Sukno, leden van de SIMBIOsys-onderzoeksgroep en van de Cognitive Media Technologies van het Department of Information and Communication Technologies (DTIC) bij UPF, samen met onderzoekers van de University of Washington (VS) zijn de auteurs van dit werk op 7 oktober gepubliceerd in de online editie van Collegenotities in computerwetenschappen . Het artikel beschrijft de nieuwe optimalisatiemethode om 3D-gezichtsreconstructies uit te voeren van de vorm van kindergezichten van niet-gekalibreerde 2D-foto's met behulp van een nieuw statistisch model.

Eerst, voor elke 2D-foto, de nieuwe methode schat de camerapositie met behulp van een statistisch model en een set 2D-gezichtsoriëntatiepunten. Ten tweede, de methode berekent de camerahouding en de parameters van het statistische model door de afstand tussen de projectie van het geschatte 3D-gezicht in het beeldvlak van elke camera en de waargenomen 2D-gezichtsgeometrie te minimaliseren.

"Met behulp van gereconstrueerde 3D-gezichten, we extraheren automatisch een set van 3D geometrische en uiterlijke descriptoren en we gebruiken ze om een ​​classifier te trainen om gezichtsdysmorfologie geassocieerd met genetische syndromen te identificeren, " legt Araceli Morales uit, eerste auteur van het artikel die aan dit onderzoek werkt voor haar proefschrift dat wordt begeleid door Federico Sukno.

De gezichtsreconstructiemethode op 3D-foto's werd geëvalueerd bij 54 proefpersonen (leeftijdscategorie 0-3 jaar), en "onze classifier identificeerde genetische syndromen in gereconstrueerde 3D-gezichten van 2D-foto's met 100% gevoeligheid en een specificiteit van 92,11%, " leggen de auteurs uit in hun artikel.