Detekce vrásek pro popis hypomimie u Parkinsonovy nemoci

Abstract

Parkinsonova nemoc je druhé nejčastější neurodegenerativní onemocnění. Aktuálně pro něj není dostupná kauzální léčba. K jejímu vyvinutí by mohlo pomoci dřívější diagnóze nemocných jedinců. Ukazuje se, že jedním z ukazatelů je hypomimie – snížení mimiky v obličeji nemocného. Možným hodnotícím prvkem hypomimie je zřejmě i tvorba vrásek, která ale zatím nebyla využita. Z dostupných algoritmů funguje pro detekci vrásek nejvhodněji Frangiho filtr. Hypomimii mohu zkoumat díky nahraným videím, percepčním hodnocením a klinickým datům od zdravých kontrol a de-novo diagnostikovaných pacientů. Vrásky jsem detekoval ze tří oblastí tváře segmentované pomocí tzv. „významných bodů“ tváře. Oblasti jsou čelo, oblast mezi obočím a v okolí nosu. Pro každou tuto oblast jsem extrahoval tři významné parametry. Ukazuje se, že poměry těchto parametrů se statisticky významně liší pro zdravé kontroly a pacienty. Díky tomu jsem mohl rozlišovat mezi zdravými a nemocnými logistickou regresí, jejíž přesnost byla 0,77. Mezi parametry a klinickými daty souvislost nalezena nebyla, na rozdíl od korelace s percepčním hodnocením, která byla statisticky významná. Ukazuje se, že je možné automaticky detekované vrásky použít pro detekování hypomimie a mohou poukázat na nemoc i u de-novo pacientů. Největší postupu limitací je nedokonalá segmentace a falešná detekce vrásek.

Parkinson’s disease is the second most common neurodegenerative disease. There is no curative treatment. However, it is suggested earlier diagnosis of patients could help with development. One of early signs of Parkinson’s disease is hypomimia – lowered movement in the face of affected person. It could be diagnosed by facial wrinkles evaluation, but no research has focused on this phenomenon, yet. Out of available algorithms for wrinkles detection Frangi’s filter shows the best performance. I can measure hypomimia thanks to perceptual evaluation, clinical data and recorded videos of de-novo diagnosed patients as well as healthy controls. I detected wrinkles from three facial segments obtained via “facial landmarks”. The areas are forehead, area between eyebrows and nasial area. From each region I extracted three significant parameters. It was shown that ratios of these parameters are significantly different for patients and healthy controls. It leads to possibility of classification between healthy and ill people by logistic regression with accuracy of 0,77. There was no significant corelation between clinical data and extracted parameters. However, there was significant corelation between perceptual evaluation and the parameters. In conclusion, it is possible to use detected wrinkles to classify between healthy person and even de-novo diagnosed patient. The greatest limitations are imperfect segmentation and false wrinkles detection.