Investigación: Localización automática de landmarks en cráneos humanos

escrito por Enrique Bermejo

Generalmente, cualquier tipo de análisis craneofacial requiere la localización exacta de una serie de características anatómicas. El uso de puntos de referencia para delimitar dichas características es conocido como marcado o localización de landmarks. Al realizar un solapamiento cráneo-cara (SCC) en Skeleton-ID, es necesario localizar un conjunto de landmarks correspondientes tanto en el cráneo como en la fotografía. Este artículo describe la próxima tecnología que incorporará Skeleton-ID para la localización automática de landmarks en cráneos.

Los landmarks craneofaciales son esenciales para la mayoría de métodos de identificación forense como la comparación facial o la superposición craneofacial. Sin embargo, el proceso manual de localización de landmarks es una tarea que requiere mucho tiempo y cuyos resultados y precisión dependen en gran medida de la experiencia del experto que los anota. Además, existe un error de localización inherente (Campomanes-Álvarez et al. 2014), que a su vez depende del tipo de landmark considerado: Tipo I, II o III (Bookstein, 1991). Varios estudios sugieren considerar una definición anatómica específica para los landmarks, de forma que se pueda seguir un procedimiento estandarizado y minimizar así potenciales errores (Caple y Stephan, 2015). Los errores cometidos durante el proceso de localización de landmarks pueden tener consecuencias nefastas, ya que pueden dar lugar a suposiciones incorrectas y, en última instancia, a resultados incorrectos en tareas de identificación.

En un estudio preliminar se ha considerado un conjunto exhaustivo con 58 landmarks craneométricos que abarcan toda la morfología craneal para validar el proceso de automatización.

Con el fin de prevenir estos errores, hemos desarrollado, en colaboración con el National Research Institute of Police Science y la Universidad de Granada,  una herramienta para la localización automática de landmarks que funciona en dos etapas. Inicialmente, se utiliza una plantilla 3D craneal para aproximar la posición del conjunto de landmarks en un cráneo objetivo. Durante este proceso, la geometría 3D de la plantilla se deforma para adaptarse exactamente a la morfología del cráneo objetivo. Sin embargo, esta ubicación no siempre es óptima desde el punto de vista anatómico y es necesario aplicar un refinado.

Esquema del proceso de anotación automática de landmarks (etapa 1)

Por lo tanto, se emplea una segunda etapa con el fin de mejorar la posición de cada landmark de acuerdo con su definición anatómica estandarizada. Para ello se consideran diferentes heurísticas, como encontrar el plano simétrico vertical, detectar contornos orbitales y nasales, suturas craneales, explotar la curvatura craneal para encontrar las zonas más extremas cerca de un punto concreto o incluso simular una medición instrumental relacionando dos landmarks. El proceso es completamente ágil e imperceptible para el usuario.

Heurísticas aplicadas para la mejora de la localización automática de landmarks (etapa 2)

El nuevo método automático ha sido diseñado para tareas como la superposición craneofacial, el perfil biológico o la reconstrucción facial donde, a menudo, los cráneos no están bien conservados o aparecen incompletos. Es rápido, preciso y versátil. Dependiendo de la aplicación en cuestión, se puede considerar cualquier conjunto de landmarks deseado para la herramienta de anotación automática. Además, se pueden utilizar distintas plantillas siempre que sea necesario trabajar con una población concreta (edad, sexo, grupo étnico, etc.).

Posibles escenarios donde se podría aplicar el método automático.

Hemos realizado un estudio experimental en 30 cráneos diferentes donde tres expertos forenses localizaron manualmente el mismo conjunto de 58 landmarks utilizando Skeleton-ID. El listado de landmarks automáticos del estudio junto con su error de dispersión puede verse en la Tabla 1. La dispersión promedio para el conjunto de landmarks utilizados en este estudio es de aproximadamente 2,2 mm. Este valor está realmente cerca de la dispersión inter-observador e intra-observador para expertos humanos, que se sitúa en aproximadamente 1,7 mm. Sin embargo, partimos de que la medición del error automático toma como referencia el consenso de los tres expertos, por lo que existe un sesgo importante. Durante una evaluación visual a posteriori, la mayoría de los resultados automáticos (alrededor de un 82%) fueron considerados iguales o mejores que los landmarks anotados manualmente, por lo que consideramos que el método automático es fiable. Así, el método automático proporciona una alternativa fiable a la localización manual de landmarks para tareas forenses.

El enfoque propuesto es completamente automático y funciona sin intervención manual. Es aproximadamente seis veces más rápido que el proceso manual realizado por un experto. Además, hay una observación importante, los puntos de referencia automáticos están libres del sesgo del anotador, lo que significa que no se ven afectados por la subjetividad, la fatiga o las habilidades individuales.

En Panacea, estamos muy entusiasmados con este trabajo de investigación, ya que podría ser la clave para la localización automática de landmarks en Skeleton-ID. Este artículo es un resumen de los métodos y resultados publicados en la prestigiosa revista científica Computer Methods and Programs in Biomedicine bajo una licencia Creative Commons. El lector puede acceder libremente a toda la publicación a través del siguiente enlace.

Dispersión y análisis de fiabilidad para los 58 landmarks automáticos estudiados. Tras el nombre del landmark y su abreviatura se muestra la dispersión media (μ) y su desviación  estándar (σ), medida como la distancia euclídea con respecto al consenso entre expertos.  Además, se muestra el porcentaje de casos donde el error cometido es inferior a 2 mm, 3 mm, y 4 mm. Aunque la dispersión media del método automático es de 2,2 mm, hay que destacar que los propios expertos ya alcanzan los 1,7 mm. Tras el análisis visual, los expertos coinciden en que el algoritmo automático muestra más precisión que algunos marcados manuales.

Referencias

B. R. Campomanes-Álvarez, O. Ibáñez, F. Navarro, I. Alemán, O. Cordón, S. Damas, Dispersion assessment in the location of facial landmarks on photographs, International Journal of Legal Medicine, Vol. 129 (1), 2014, pp. 227–236. 10.1007/s00414-014-1002-4.

F. L. Bookstein, Morphometric Tools for Landmark Data: geometry and biology, Cambridge University Press, 1991. 10.1017/cbo9780511573064.

J. Caple, C. N. Stephan, A standardized nomenclature for craniofacial and facial anthropometry, International Journal of Legal Medicine, Vol. 130 (3), 2015, pp. 863–879, 10.1007/s00414-015-1292-1.

Enrique Bermejo, Kei Taniguchi, Yoshinori Ogawa, Rubén Martos, Andrea Valsecchi, Pablo Mesejo, Óscar Ibáñez, Kazuhiko Imaizumi, Automatic landmark annotation in 3D surface scans of skulls: Methodological proposal and reliability study, Computer Methods and Programs in Biomedicine, Vol. 210, 2021,  10.1016/j.cmpb.2021.106380.