Projektdaten

---

Die Haut überbrücken: Gesichtsoberfläche und mimische Muskulatur als eine Einheit: Vollautomatische Klassifikation der motorischen Funktion und des emotionalen Ausdrucks bei Patienten mit Faszialisparese Bridging the gap: Mimics and muscles)

---

Die Fazialisparese (Gesichtsnervenlähmung) ist die häufigste Funktionsstörung eines Hirnnervs. Eine Fazialisparese führt zumeist zu einer einseitigen motorischen Funktionsstörung der mimischen Muskulatur. Zum Beispiel führt der mangelhafte Augenschluss zum Austrocken des Auges und die Lähmung der Muskulatur um den Mund behindert die Nahrungsaufnahme und das Sprechen. Für den Betroffenen wesentlich ist die Behinderung der emotionalen Ausdrucksfähigkeit, da zum Beispiel ein gewohntes Lachen nicht mehr möglich ist. Ziel einer optimalen Behandlung der Patienten mit Fazialisparese ist eine möglichst gute Wiederherstellung der motorischen Funktion (Standardziel in der klinischen Routine) als auch der emotionalen Ausdrucksfähigkeit (wird bislang häufig vernachlässigt). Um die Schwere der Erkrankung oder Veränderungen unter Therapie messen zu können, werden in der klinischen Routine bislang fast ausschließlich subjektive und damit unverlässliche und unpräzise Messverfahren angewandt. Mit diesem Vorhaben soll ein objektives Messverfahren entwickelt werden, dass mit automatischer Bildanalyse des Gesichts die motorische Störung und gleichzeitig Defizite des emotionalen Ausdrucks erfasst. Die bisher durchgeführten Arbeiten zur automatischen Analyse einer Fazialisparese konzentrierten sich hauptsächlich auf statische Auswertung von 2D-Bilddaten oder Asymmetrie-Evaluierungen von Oberflächen in Sequenzen von 3D-Punktwolken. Nur bei wenigen Vorarbeiten wird auf ein anerkanntes objektives quantitatives Bewertungsmaß abgebildet. Auswirkungen auf die emotionale Ausdruckfähigkeit der Patienten wurden bislang gar nicht betrachtet. In diesem Vorhaben werden an Probanden und Patienten standardisierte 3D-Videoaufnahmen von Gesichtsbewegungen und emotionalem Ausdruck als Trainings-Datensätze aufgenommen. Zusätzlich wird ein Muskelmodell inkludiert, indem mit Elektromyographie gemessene Muskelaktivität von Gesichtsmuskeln bei der Ausführung von Bewegungen und gleichzeitiger 3D-Aufnahme des Gesichtsfeldes fusioniert werden. Ebenfalls sollen aus Sonographie gewonnenen Parameter einzelner Gesichtsmuskeln in das Modell als Vorwissen integriert werden. Die Veränderungen der emotionalen Ausdrucksfähigkeit und der Lebensqualität der Patienten werden über klinische Standard-Fragebogen gemessen und mit der objektiven Bewertung der Gesichtsbewegungen automatisch zu einem Gesamtindex fusioniert werden. Mit dem Einsatz einer Gruppe von Algorithmen zu unüberwachtem Lernen, so genannten Generative Adversarial Networks, und synthetischen Anreicherung der Trainingsdaten soll erstmals die Verwendung von tiefen Lernverfahren auf die oben genannten Problemstellungen angewendet werden. Die im Vorhaben gewonnenen Erkenntnisse sind nicht nur relevant für die Fazialisparese, sondern allgemein für Erkrankungen mit Störungen der mimischen Funktion und des emotionalen Ausdrucks. Die Ergebnisse der Untersuchungen an Patienten mit Fazialisparese können dafür als Modell dienen.