Diagnóstico automático de avc pós-trauma com base na face de pacientes utilizando redes neurais em grafos

Abstract

O acidente vascular cerebral (AVC) pode causar danos significativos aos neurônios, resultando em várias sequelas que afetam negativamente a capacidade do paciente de realizar atividades diárias essenciais, como mastigar, engolir e se comunicar verbalmente. Portanto, é importante que pacientes com essas dificuldades passem por um processo de tratamento e sejam monitorados durante sua execução para avaliar a melhora de sua condição de saúde. O uso de ferramentas computadorizadas e algoritmos que podem detectar rapidamente e de maneira acessível tais sequelas é útil para auxiliar na recuperação do paciente. Devido à morte das células internas do cérebro, um AVC frequentemente leva à paralisia facial, resultando em assimetria entre os dois lados do rosto. Esta monografia se concentra na análise desta assimetria usando um método de aprendizado profundo sem aplicar cálculos de características manuais, introduzindo o modelo “Facial Point Graphs” (FPG), uma abordagem inovadora que se destaca na aprendizagem de informações geométricas e no tratamento eficaz de variações, além do escopo dos cálculos manuais. O FPG permite que o modelo detecte de forma eficaz os distúrbios orofaciais causados por um AVC, a partir de imagens do paciente. A abordagem proposta atingiu acurácias superiores a 90% no conjunto de dados Toronto Neuroface, apontando para avanços substanciais neste domínio.

Stroke can cause significant damage to neurons, resulting in various sequels that negatively affect the patient’s ability to perform essential daily activities such as chewing, swallowing, and verbal communication. Therefore, it’s important that patients with these difficulties undergo a treatment process and are monitored during its execution to assess the improvement of their health condition. The use of computerized tools and algorithms that can rapidly and affordably detect such sequels is useful in aiding the patient’s recovery. Due to the death of brain’s internal cells, a stroke often leads to facial paralysis, resulting in asymmetry between both sides of the face. This monograph focuses on analyzing this asymmetry using a deep learning method without applying manual feature calculations, introducing the "Facial Point Graphs" (FPG) model, an innovative approach that excels in learning geometric information and effectively treating variations beyond the scope of manual calculations. The FPG allows the model to effectively detect orofacial disorders caused by a stroke from patient images. The proposed approach achieved accuracies exceeding 90% in the Toronto Neuroface dataset, indicating substantial advancements in this domain.