动态面部分析用于预测面部的结果:比较地标检测模型和整合顺序回归.

科学领域:

• 医学成像分析分析 医学成像分析
• 计算神经科学是一种计算神经科学.
• 临床评估工具 临床评估工具

背景情况:

• 面部显著影响生活质量,需要精确监测面部神经 (FN) 恢复.
• 以前的FN恢复预测框架依赖于精度有限的传统方法.
• 基于视频的评估提供了一种非侵入性的方法来追踪恢复,但需要强大的分析工具.

研究的目的:

• 为了增强基于视频的预测和评估面部神经在面部的恢复.
• 评估现代地标检测模型和顺序回归技术的有效性.
• 将这些先进的方法与之前报告的预测框架和传统方法进行比较.

主要方法:

• 最先进的面部地标检测模型 (包括深度学习) 与Dlib进行准确性和计算成本的比较.
• 实施顺序回归,利用瓦瑟斯坦和马哈拉诺比斯距离,预测House-Brackmann (HB) 分数.
• 评估不同基准检测模型和回归技术对临床得分预测的影响.

主要成果:

• 对于里程碑检测,Dlib提供了计算效率和临床准确性之间的最佳平衡.
• 与Dlib.lib相比,先进的高分辨率模型在预测临床分数方面没有显著改善.
• 顺序回归显示出卓越的性能,可解释性和降低平均绝对误差,而不是HB得分预测的天真线性回归.

结论:

• 现代的地标检测和顺序回归显著提高了面部中面部神经恢复的预测准确性.
• 改进后的框架提供了一个更强大,更具临床相关性的工具,用于监测患者的进展,并帮助做出手术决策.
• 这项研究弥合了计算建模和临床应用之间的差距,提高了面部评估的精度.