Automatická analýza vráskových charakteristik pacientů s Parkinsonovou nemocí

Abstract

Parkinsonova nemoc je závažné progresivní druhé nejrozšířenější neurodegenerativní onemocnění. Vzhledem k chybějící přičinné léčbě, se snahy vědců ubírají k detekci biomarkerů, které se objevují před plným rozvojem nemoci. Jedním ze zkoumaných biomarkerů je hypomimie, projevující se jako snížené výchylky v obličejových pohybech, která narušuje tvorbu vrásek. Pro segmentaci vrásek se v posledních letech začaly hojně používat neuronové sítě. Vzhledem k nedostatečným dostupným datasetům anotovaných vrásek, jsme zkompletovali vlastní dataset o 674 anotovaných obrázcích s vysokým rozlišením. Architektura natrénovaná na tomto datasetu dosahovala 31.2 % Jacquardova indexu podobnosti (JSI). Tento model byl použit pro segmentaci 100 videí pacientů s de-novo diagnostikovanou Parkinsonovou nemocí a odpovídající skupinou zdravých kontrol. Parametry vypočítané z vrásek reprezentovaly charakteristiky hypomimie podle dostupné literatury a ukázaly signifikantní odlišnost mezi skupinou pacientů a zdravých kontrol. Klasifikátor logistické regrese s křížovou validací typu leave-one-out byl natrénován na těchto parametrech s přesností 74 %. Parametry získané z vrásek segmentovaných za pomocí neuronové sítě mohou indikovat rané projevy Parkinsonovy nemoci, avšak segmentování vrásek pomocí neuronové sítě může být nestabilní při zpracování video záznamů.

Parkinson’s disease is a severe, the second most common progressive neurodegenerative disease. With no causal treatment, current research focuses on finding biomarkers that indicate the onset of the disease before full manifestation. One such biomarker is hypomimia, a lowered magnitude of facial movement, which disrupts wrinkle formation. In recent years wrinkle segmentation with neural networks has become widely used. Due to no sufficient public wrinkle dataset being available, we assembled an original dataset with 674 total high-resolution images being annotated. An architecture trained on this dataset achieved a Jacquard Similarity Index (JSI) of 31.2 %. This model was used to segment wrinkles in video recordings of de-novo-diagnosed 100 Parkinson’s disease patients and their matched healthy control counterparts. The parameters calculated from wrinkles represented hypomimia characteristics according to the literature. These features showed significant differences between Parkinson’s disease patients and healthy controls. Logistic regression fitted to these features with leave-one-out cross-validation resulted in an accuracy of 74 %. Features extracted from wrinkles segmented by neural networks can indicate Parkinson’s disease in an early stage; however, detected wrinkles by neural networks can be unstable during video processing.