Varje år, över en miljon barn föds med en genetisk sjukdom. Även om ungefär hälften av genetiska syndrom uppvisar ansiktsdysmorfologi, onormala ansiktsdrag är ofta subtila vid födseln och deras identifiering av barnläkare kan visa sig vara utmanande. Fördröjningar och fel i diagnosen har en betydande inverkan på dödlighet och sjuklighet i samband med genetiska syndrom. Som exempel, den genomsnittliga noggrannheten vid detektering av ett av de mest studerade genetiska syndromen, Downs syndrom, av en utbildad barnläkare är så låg som 64% i USA, och så blir metoder för tidig upptäckt av genetiska syndrom mycket viktiga.

I dag, ansiktsanalys av barn från fotografier är en teknik som möjliggör tidig identifiering av genetiska syndrom. Dock, bilder kan ha problem med kalibrering och belysning. Även om 3D-fotografering övervinner några av dessa problem, 3D-skannrar för att kvantifiera kraniofacial dysmorfologi hos barn är dyra och är ofta inte tillgängliga på alla vårdcentraler. En ny studie presenterar en ny metod för att optimera ansiktsanalys som gör det möjligt att rekonstruera ansiktet i 3D från 2-D fotografier.

Araceli Morales, Gemma Piella och Federico Sukno, medlemmar i SIMBIOsys forskargrupp och Cognitive Media Technologies vid Institutionen för informations- och kommunikationsteknik (DTIC) vid UPF, tillsammans med forskare från University of Washington (USA) är författarna till detta arbete som publicerades den 7 oktober i onlineutgåvan av Föreläsningsanteckningar i datavetenskap . Artikeln beskriver den nya optimeringsmetoden för att utföra tredimensionella ansiktsrekonstruktioner av formen på barns ansikten från okalibrerade 2-D-fotografier med hjälp av en ny statistisk modell.

Först, för varje 2-D foto, den nya metoden uppskattar kameraposen med hjälp av en statistisk modell och en uppsättning 2-D ansiktsmärken. För det andra, metoden beräknar kamerapositionen och parametrarna för den statistiska modellen genom att minimera avståndet mellan projektionen av den uppskattade 3D-ytan i varje kameras bildplan och den observerade 2-D-ansiktsgeometrin.

"Med rekonstruerade 3D-ansikten, vi extraherar automatiskt en uppsättning 3D-geometriska och utseendebeskrivningar och vi använder dem för att träna en klassificerare för att identifiera ansiktsdysmorfologi associerad med genetiska syndrom, "förklarar Araceli Morales, första författare till artikeln som arbetar med denna forskning för sin doktorsavhandling som övervakas av Federico Sukno.

Ansiktsrekonstruktionsmetoden på 3D-fotografier utvärderades hos 54 personer (åldersintervall 0-3 år), och "vår klassificerare identifierade genetiska syndrom i rekonstruerade 3D-ansikten från 2-D fotografier med 100% känslighet och en specificitet på 92,11%, "förklarar författarna i sin artikel.