DOI: https://doi.org/10.1038/s41598-025-09714-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40624267
تاريخ النشر: 2025-07-07
المؤلف: Karel Kleisner وآخرون
الموضوع الرئيسي: التنوعات الشكلية والتماثل
نظرة عامة
تناقش هذه الفقرة أهمية رقمنة المعالم في المورفوميتريكس الهندسية، وخاصة لتQuantifying الأشكال البيولوجية مثل الهياكل الوجهية. غالبًا ما تكون الطرق التقليدية لوضع المعالم يدويًا كثيفة العمالة ومعرضة للأخطاء البشرية، مما يمكن أن يؤدي إلى عدم الاتساق عبر الدراسات. للتخفيف من هذه التحديات، يقدم المؤلفون FaceDig، أداة مدفوعة بالذكاء الاصطناعي تقوم بأتمتة وضع المعالم الوجهية بدقة مقارنة بالمعلقين البشريين الخبراء. FaceDig مفتوحة المصدر ومصممة للتكامل مع منصات التحليل الشائعة مثل R و Python، مستخدمة مجموعة بيانات كبيرة ومتنوعة عرقيًا لتحسين تكوينات المعالم لصور الواجهة ثنائية الأبعاد.
تشير النتائج إلى أن FaceDig ينتج إحداثيات معالم موثوقة تتماشى عن كثب مع تلك الموضوعة يدويًا، مما يعزز القابلية للتكرار في أبحاث مورفولوجيا الوجه. تسهل توافق الأداة مع برنامج TpsDig2 اعتمادها في سير العمل المورفومتري القائم. بينما يعترف المؤلفون بالاتجاه المتزايد نحو المورفوميتريكس ثلاثية الأبعاد، يؤكدون على الاستمرار في أهمية صور الوجه ثنائية الأبعاد بسبب أهميتها الثقافية والعملية. ستسعى التطورات المستقبلية لـ FaceDig إلى تضمين دعم لعرض الملف الشخصي، مما يوسع من قابليتها للتطبيق. بشكل عام، يمثل FaceDig تقدمًا كبيرًا في وضع المعالم الوجهية ثنائية الأبعاد، مما يعزز الوصول والمعايير في هذا المجال.
طرق
تحدد فقرة “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. توضح تصميم التجارب، بما في ذلك اختيار الموضوعات، والمواد المستخدمة، والإجراءات المحددة المتبعة لضمان القابلية للتكرار. تم إجراء تحليلات إحصائية لتقييم البيانات، مستخدمة تقنيات مثل تحليل الانحدار واختبار الفرضيات لتحديد أهمية النتائج.
بالإضافة إلى ذلك، تصف الفقرة النماذج الرياضية المستخدمة لتفسير النتائج، بما في ذلك أي معادلات أو خوارزميات ذات صلة. تم تصميم المنهجية لمعالجة أسئلة البحث بفعالية مع تقليل التحيزات والأخطاء المحتملة. بشكل عام، يضمن صرامة الطرق موثوقية وصلاحية استنتاجات الدراسة.
نتائج
في هذه الدراسة، تم إجراء تحليل تباين بروكرست باستخدام دالة procD.lm() لتقييم تكرارية رقمنة المعالم الوجهية بين نسختين (FDG و HC) من نفس الوجه. تم تحديد التكرارية بمقدار 0.97، مما يشير إلى دقة عالية في رقمنة التكوينات الوجهية. وُجد أن معامل الارتباط بيرسون بين النسخ كان فوق 0.9 (n = 100، $r = 0.94$، $p < 0.001$، 95% CI [0.92، 0.96])، وتم حساب التميز كمسافة بروكرست من متوسط المجموعة لكل من النسخ. بالإضافة إلى ذلك، أظهرت درجات عدم التماثل للنسخ FDG و HC ارتباطًا قويًا (n = 100، $r = 0.92$، $p < 0.001$، 95% CI [0.88، 0.94])، مما يؤكد مستوى الدقة العالي في القياسات. كما كشفت التحليلات أن عمر الفرد والخلفية الفوتوغرافية لم تؤثر بشكل كبير على دقة وضع المعالم، على الرغم من أنه لوحظ اتجاه يتعلق بالعمر، ربما بسبب تباين أكبر في الوجوه الأكبر سنًا. أظهر وضع المعالم التلقائي دقة عالية، مع خطأ ضئيل، خاصة على طول البعد y للمعالم القصوى. وُجد أن الارتباطات لوغاريتمات التميز وعدم التماثل كانت مشابهة جدًا لتلك المحسوبة من البيانات غير المحولة، بقيم 0.93 (95% CI: [0.90، 0.95]) و 0.91 (95% CI: [0.87، 0.94])، على التوالي. بشكل عام، تؤكد النتائج فعالية طريقة FaceDig في تحقيق وضع دقيق للمعالم.
مناقشة
تسلط فقرة المناقشة في ورقة البحث الضوء على التقدم في تقنيات المورفوميتريكس الهندسية المعتمدة على المعالم، مع التركيز بشكل خاص على تطوير FaceDig، أداة مؤتمتة لوضع المعالم الوجهية ثنائية الأبعاد. يستخدم FaceDig بنية من مرحلتين تجمع بين إسقاط المعالم الخشنة من مكتبة MediaPipe مع عملية تحسين الشبكة العصبية التلافيفية (CNN). يعزز هذا النهج بشكل كبير دقة وضع المعالم، محققًا درجات تكرارية عالية (0.97) ويظهر ارتباطات قوية مع التكوينات المحسنة يدويًا من حيث التميز الوجهى وعدم التماثل. قدرة الأداة على التعامل مع كل من المعالم والمعالم شبه، على الرغم من عدم تمييزها داخليًا، يسمح بإجراء تحليل مورفومتري فعال عبر أعراق وأنواع وجهية متنوعة.
تجعل الطبيعة مفتوحة المصدر لـ FaceDig وتوافقها مع الأدوات المورفومترية الموجودة، مثل TpsDig2، موردًا قيمًا للباحثين الذين يتعاملون مع مجموعات بيانات فوتوغرافية كبيرة. تم تدريب النموذج على مجموعة بيانات شاملة من 3,937 صورة وجهية، مما يضمن القوة والدقة في اكتشاف المعالم. تشير النتائج إلى أن FaceDig يوفر دقة وضع المعالم مقارنة بالمصممين البشريين الخبراء، مما يسهل القابلية للتكرار والوصول في أبحاث شكل الوجه. تم التخطيط لتعزيزات مستقبلية لتوسيع وظيفتها لتشمل صور الملف الشخصي، مما يحسن من تطبيقها في هذا المجال. بشكل عام، يمثل FaceDig تقدمًا كبيرًا في أتمتة وضع المعالم الوجهية، مما يعالج تحديات الرقمنة اليدوية في الدراسات المورفومترية.
DOI: https://doi.org/10.1038/s41598-025-09714-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40624267
Publication Date: 2025-07-07
Author(s): Karel Kleisner et al.
Primary Topic: Morphological variations and asymmetry
Overview
The section discusses the significance of landmark digitization in geometric morphometrics, particularly for quantifying biological shapes like facial structures. Traditional methods of manual landmark placement are often labor-intensive and susceptible to human error, which can result in inconsistencies across studies. To mitigate these challenges, the authors present FaceDig, an AI-driven tool that automates the placement of facial landmarks with a precision comparable to expert human annotators. FaceDig is open-source and designed to integrate with popular analytical platforms such as R and Python, utilizing a large, ethnically diverse dataset to optimize landmark configurations for 2D enface photographs.
The findings indicate that FaceDig produces reliable landmark coordinates that align closely with those placed manually, thereby enhancing reproducibility in facial morphology research. The tool’s compatibility with TpsDig2 software facilitates its adoption in existing morphometric workflows. While acknowledging the growing trend towards 3D morphometrics, the authors emphasize the continued relevance of 2D facial photographs due to their cultural and practical importance. Future developments for FaceDig will aim to include support for profile views, further broadening its applicability. Overall, FaceDig represents a significant advancement in 2D facial landmarking, promoting accessibility and standardization in the field.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of subjects, materials used, and the specific procedures followed to ensure reproducibility. Statistical analyses were conducted to evaluate the data, employing techniques such as regression analysis and hypothesis testing to ascertain the significance of the findings.
Additionally, the section describes the mathematical models utilized to interpret the results, including any relevant equations or algorithms. The methodology is designed to address the research questions effectively while minimizing potential biases and errors. Overall, the rigor of the methods ensures the reliability and validity of the study’s conclusions.
Results
In this study, a Procrustes analysis of variance was conducted using the procD.lm() function to assess the repeatability of facial landmark digitization between two replicates (FDG and HC) of the same face. The repeatability was quantified as 0.97, indicating high precision in digitizing facial configurations. The Pearson correlation between the replicates was found to be above 0.9 (n = 100, $r = 0.94$, $p < 0.001$, 95% CI [0.92, 0.96]), and distinctiveness was calculated as the Procrustes distance from the group mean for both replicates. Additionally, asymmetry scores for the FDG and HC replicates showed a strong correlation (n = 100, $r = 0.92$, $p < 0.001$, 95% CI [0.88, 0.94]), further confirming the high level of precision in the measurements. The analysis also revealed that individual age and photographic background did not significantly affect landmark placement precision, although a trend was noted regarding age, potentially due to greater variance in older faces. The automatic landmark placement demonstrated high precision, with minimal error, particularly along the y-dimension for extreme landmarks. Correlations of the logarithms of distinctiveness and asymmetry were found to be very similar to those calculated from non-transformed data, with values of 0.93 (95% CI: [0.90, 0.95]) and 0.91 (95% CI: [0.87, 0.94]), respectively. Overall, the findings underscore the effectiveness of the FaceDig method in achieving precise landmark placement.
Discussion
The discussion section of the research paper highlights the advancements in landmark-based geometric morphometric techniques, particularly focusing on the development of FaceDig, an automated tool for 2D facial landmarking. FaceDig utilizes a two-stage architecture that combines rough landmark projection from the MediaPipe library with a convolutional neural network (CNN) refinement process. This approach significantly enhances the precision of landmark placement, achieving high repeatability scores (0.97) and demonstrating strong correlations with manually refined configurations in terms of facial distinctiveness and asymmetry. The tool’s ability to handle both landmarks and semilandmarks, although not internally distinguished, allows for effective morphometric analysis across diverse ethnicities and facial types.
FaceDig’s open-source nature and compatibility with existing morphometric tools, such as TpsDig2, make it a valuable resource for researchers dealing with large photographic datasets. The model was trained on a comprehensive dataset of 3,937 facial photographs, ensuring robustness and accuracy in landmark detection. The findings indicate that FaceDig provides landmark placement precision comparable to expert human digitizers, facilitating reproducibility and accessibility in facial shape research. Future enhancements are planned to extend its functionality to profile photographs, further improving its application in the field. Overall, FaceDig represents a significant advancement in the automation of facial landmarking, addressing the challenges of manual digitization in morphometric studies.