ITUB20155817A1

ITUB20155817A1 - Procedimento di elaborazione di immagini mediche di un viso per il riconoscimento di dismorfismi facciali

Info

Publication number: ITUB20155817A1
Application number: ITUB2015A005817A
Authority: IT
Inventors: Luca Bonacina; Daniele Conti; Antonio Froio; Enrico Vezzetti; Federica Marcolin
Original assignee: Torino Politecnico; Milano Politecnico
Priority date: 2015-11-23
Filing date: 2015-11-23
Publication date: 2017-05-23
Also published as: WO2017089953A1; EP3381010A1; EP3381010B1

Description

"PROCEDIMENTO DI ELABORAZIONE DI IMMAGINI MEDICHE DI UN VISO PER IL RICONOSCIMENTO DI DIMORFISMI FACCIALI"

DESCRIZIONE

La presente invenzione riguarda l'elaborazione di immagini e, in particolare, l'elaborazione di immagini mediche per il riconoscimento di tratti di un viso. Più specificamente, la presente invenzione riguarda un procedimento di elaborazione di immagini mediche di un viso per il riconoscimento di dismorfismi facciali, in accordo con il preambolo della rivendicazione 1, come anche un sistema di elaborazione e un programma per elaboratore per l'esecuzione di tale processo.

Sono noti processi, sistemi e programmi per elaboratore per il riconoscimento di parti e/o caratteristiche di organi e/o tessuti del corpo umano tramite l'analisi di rappresentazioni digitali di strutture anatomiche.

Scansioni ad ultrasuoni, CAT (Computer Axial Tomography), MRI (Magentic Resonance Imaging) sono alcuni esempi di strumenti di medical imaging utilizzati da medici ed operatori per la diagnosi di molte patologie. In particolare, l'elaborazione di immagini ad ultrasuoni è di gran lunga il metodo più utilizzato per la diagnosi prenatale grazie alla sua natura non pericolosa rispetto a tecniche di imaging basate su radiazioni. Infatti, le malattie fetali in particolare attraggono recentemente molti interessi e sforzi miranti a migliorare le tecniche correnti di diagnosi favorendo in tal modo la definizione di terapie su misura precoci.

La diffusione di metodi di scansione tridimensionale ad ultrasuoni è quindi rapidamente aumentata negli ultimi anni ma, ad oggi, è prevalentemente usata solo come strumento di visualizzazione qualitativo.

Negli ultimi anni è aumentato in particolare l'interesse nei confronti dell'elaborazione di immagini di un viso, al fine di identificare dismorfismi facciali che possono essere legati a predeterminate patologie, specialmente durante la fase prenatale. E' quindi evidente che un dettagliato modello tridimensionale di un viso, in particolare il viso di un feto, potrebbe essere utilizzato per l'analisi dei dismorfismi facciali prenatali.

Esistono già molti algoritmi e procedimenti per la segmentazione tridimensionale e l'estrazione di volumi a partire da immagini digitali, principalmente basati su tecniche di region growing o modelli deformabili, ma tutti questi sistemi richiedono sempre un intervento umano, ad esempio per la scelta dei semi (seeds). I sistemi di elaborazione di immagini noti non eseguono quindi procedure completamente automatiche.

Infatti, uno dei principali problemi delle tecniche di trattamento di immagini mediche a fini diagnostici è la carenza o assenza di trattamenti automatici delle immagini stesse.

In aggiunta a quanto sopra, occorre ricordare che in particolare nel caso degli ultrasuoni, l'acquisizione delle immagini è altamente influenzata dalla presenza di rumore di scattering che rende l'elaborazione successiva complicata, limitandone le possibili applicazioni.

L'elaborazione di immagini ad ultrasuoni ad oggi non consente quindi una rapida ed efficiente identificazione di dismorfismi facciali mentre le tecniche basate su radiazione non consentono elaborazioni automatiche di immagini di visi di pazienti.

Inoltre, le soluzioni proposte fino ad ora per le elaborazioni di immagini mediche hanno il grande svantaggio di rendere complessa Γ interpretazione delle immagini a causa delle numerose alterazioni della superficie stessa che possono essere attribuite ad artefatti delle immagini stesse.

Scopo della presente invenzione è dunque quello di proporre un procedimento di elaborazione di immagini mediche di un viso per il riconoscimento di dismorfismi facciali che consenta una rapida, efficiente ed automatica identificazione di dismorfismi facciali, in particolare per la fase prenatale.

Ulteriore scopo della presente invenzione è quello di proporre un sistema di elaborazione e un programma per elaboratore per l'esecuzione di tale metodo. Questo ed altri scopi vengono raggiunti con un metodo di elaborazione di immagini mediche le cui caratteristiche sono definite nella rivendicazione 1, con un sistema come definito nella rivendicazione 10 e con un programma per elaboratore come definito nella rivendicazione 11.

Modi particolari di realizzazione formano oggetto delle rivendicazioni dipendenti, il cui contenuto è da intendersi come parte integrante della presente descrizione.

Ulteriori caratteristiche e vantaggi dell'invenzione appariranno dalla descrizione dettagliata che segue, effettuata a puro titolo di esempio non limitativo, con riferimento ai disegni allegati, nei quali:

- la Figura 1 è uno schema a blocchi dei passi del procedimento di elaborazione di immagini mediche secondo la presente invenzione;

- la Figura 2 è uno schema a blocchi dei passi della fase di segmentazione della Figura 1;

- la Figura 3 è uno schema a blocchi dei passi della fase di analisi differenziale 6 della Figura 1; e

- la Figura 4 è uno schema di un sistema di elaborazione di immagini mediche di un viso per il riconoscimento di dismorfismi facciali secondo l'invenzione. In sintesi, il procedimento secondo la presente invenzione estrae automaticamente informazioni tridimensionali del viso di un soggetto, preferibilmente un feto, a partire da un insieme orientato (stack) di immagini bidimensionali, fornendo in uscita una rappresentazione a rete a maglie della superficie facciale.

La Figura 1 mostra i vari passi del procedimento di elaborazione di immagini mediche di un viso per il riconoscimento di dismorfismi facciali secondo la presente invenzione.

Il procedimento inizia al passo 2 con l' acquisizione di una pluralità di immagini mediche bidimensionali planari ( stack o nrray tridimensionale), ad esempio in formato DICOM (Digital Imaging and Communications in Medicine), di un viso di un soggetto, preferibilmente immagini ecografiche prenatali. Tali immagini sono acquisite in sezione, in modo noto per un tecnico del settore, lungo un predefinito asse di scansione di un sistema di riferimento cartesiano. Le immagini dello stack comprendono in modo per sé noto una pluralità di voxels.

Le immagini DICOM, organizzate (o importate o acquisite in una prima direzione) come stack di immagini (o fette) planari bidimensionali, vengono trasformate in una matrice tridimensionale (o N-dimensionale) in cui ogni voxel (definito da un indice di riga, colonna e di numero dell·' immagine) ha un associato valore di intensità di grigio legato alle proprietà del corrispondente tessuto rappresentato.

Al successivo passo 4 le immagini mediche vengono elaborate tramite una fase di segmentazione per estrarre un modello tridimensionale.

La Figura 2 mostra i vari passi della fase di segmentazione 4 della Figura 1. La segmentazione 4 è un procedimento per l'estrazione della superficie facciale che consente di ottenere automaticamente, partendo dalla pluralità di immagini bidimensionali, una griglia tridimensionale che rappresenta l'intero viso (o faccia) del soggetto. La fase di segmentazione 4 si basa su un processo statistico a due passi (two-steps) che utilizza sia un'elaborazione ad istogramma volumetrico sia una segmentazione bidimensionale.

In una primo passo 50 della segmentazione 4 viene eseguita una fase di filtraggio, di per sé nota, per la rimozione del rumore (speckle) presente nelle immagini a causa dello scattering degli ultrasuoni. Preferibilmente, viene utilizzato un filtro tridimensionale passa-basso Gaussiano o un filtro Laplaciano di Gaussiano. Alternativamente, per eseguire il filtraggio, possono essere usati algoritmi basati sull' analisi statistica, filtri inversi PSF (Point Spread Function) o altri filtri noti ad un tecnico del settore.

In un successivo passo 52 viene eseguito un processo di estrapolazione della superficie facciale basato sul rilevamento, per ogni immagine DICOM, dei bordi del viso stesso.

Tale processo si basa su un' analisi statistica di un istogramma locale e di un istogramma tridimensionale, analisi che comprende e combina una prima fase di elaborazione volumetrica 54 e una seconda fase di elaborazione per immagine 56.

Durante l' elaborazione volumetrica 54 viene prima, ad un passo 54a, elaborato Finterò stack di immagini applicando un kernel cubico a forma di stella a ciascun voxel dell'intero stack avente un valore di intensità maggiore di un valore predeterminato t (qui chiamati voxel campione). Il kernel cubico è definito come segue:

rw,.V, _ {i,j, k) e s<v>(i) c c<v>(i)

' i o (i,j, k) e C<v>(i) \ S<v>(i)

S<v>(l) = { (i,j, k) € C<v>(l) :

(|ΐ — r| — \ j — c| Λ k — s) V (|'i — r| — \k — s\ Aj — c)v

V (b — c\ — | Ar — s| Λ i — r) V {\i — r| — | j c\ — \k s|)V

V \i — r| 4- \j — c| |fc — s| = max(\i — r|, \j — c|, |A; — s|)

C<v>(l) = | [r — /, r £] x [c — /, c l] x [s — Z, s /] j

dove<v ~>(<r>'<c>'<s>) è il generico voxel e l un parametro scelto dall'utente rappresentativo della misura di metà lato del kernel "pseudo" cubico.

Questo permette di estrarre:

- tutti i voxel appartenenti alle diagonali principali del cubo centrato su ciascun voxel campione esaminato (ovvero, il cubo centrato su ciascun voxel avente un valore di intensità maggiore di un valore predeterminato t );

- tutti i voxel presenti sulle diagonali dei tre piani di un sistema di riferimento cartesiano passanti per ciascun voxel campione esaminato.

A questo punto al passo 54b viene calcolato con una formula iterativa di per sé nota Γ istogramma della scala di grigi del kernel e successivamente, al passo 54c, viene fissato, per ogni voxel estratto al passo 54a, un valore di soglia locale pari ad un predeterminato percentile di tale istogramma, ad esempio 10%, ottenendo così uno stack intermedio in cui ad in ogni voxel (di quelli estratto al passo 54) è assegnato un valore di intensità di grigio pari al valore di soglia locale (valore di intensità).

A questo punto viene eseguita Γ elaborazione per immagine 56, cioè la segmentazione di volume viene ottenuta attraverso una segmentazione individuale di ciascuna immagine bidimensionale tramite una tecnica a soglia globale.

In un primo passo 56a, per ogni immagine bidimensionale, tutti i valori di soglia locale (dei voxel estratti al passo 54 e appartenenti a detta immagine) minori del valore predeterminato t (ad esempio, un valore molto vicino allo zero e rappresentativo di voxel "scuri") vengono posti pari a zero, e viene poi calcolato al passo 56b ristogramma dell'' immagine.

Successivamente, al passo 56c, per ogni immagine, viene fissato un valore di soglia globale dell' immagine pari ad un valore predefinito in funzione dell'intensità più luminosa apparsa almeno una volta nell'immagine, applicando la seguente formula:

7» = M - σ (2* - 1)

(2)

dove M è il massimo valore di intensità, o è la deviazione standard dell'intensità e N è il numero di bit dell'immagine.

Infine al passo 56d il volume binario da estrarre (insieme dei voxel estratti al passo 54 e appartenenti a detta immagine) viene mappato in una nuova immagine binaria di uscita in cui ogni voxel è pari a VERO o FALSO a seconda del confronto tra il valore di soglia globale e il valore di intensità del singolo voxel considerato (applicando ad esempio una formula di locai thresholding di per sé nota al tecnico del settore). Ad esempio, se l'intensità del voxel è maggiore del valore di soglia globale si mette VERO.

In questo modo è possibile determinare i bordi del viso utilizzando tecniche di confronto tra voxel di per sé note ad un tecnico del settore.

In un successivo passo 58 l'estrazione volumetrica 54 (e l'elaborazione per immagini 56) viene ripetuta per altre due direzioni ortogonali alla prima direzione sopra citata (nel complesso, l'immagine tridimensionale viene estratta come stack nelle tre direzioni coordinate). Le immagini originali in formato DICOM vengono quindi estratte come stack nelle altre due direzioni e i passi descritti in precedenza vengono eseguiti altre due volte.

Le superfici così estratte vengono combinate al passo 60, ovvero vengono combinati i loro valori binari con una tecnica di per sé nota (data fiision).

Pertanto, combinando i tre stack binari, preferibilmente in logica AND, si ottiene uno stack combinato binario contenente una pluralità di valori VERO o FALSO. Questo passo di fusione dei dati aumenta l'affidabilità del procedimento poiché artefatti generati lungo una direzione non vengono probabilmente generati nuovamente cambiando la direzione di acquisizione, e inoltre si riduce il numero di falsi positivi.

Infine, al passo 62 viene eseguita una ricostruzione finale che comprende in successione i seguenti passi noti ad un tecnico dell'arte:

- una fase di edge detection: applicando un algoritmo di edge detection bidimensionale di per sé noto (ad esempio, l'algoritmo Marr-Hildreth Laplaciano di Gaussiano) a ciascuna fetta dello stack combinato si ottiene uno stack finale binario con una più precisa definizione della superficie facciale; - una fase di island. removai: l'intera immagine tridimensionale dello stack finale viene pulita eliminando confini isolati che non sono collegati alla superficie principale, ottenendo così uno stack finale ripulito;

- una fase di point cloud : in questa fase, ciascun valore VERO dello stack finale ripulito rappresenta un punto della superficie, perciò, si può ottenere un point cloud semplicemente facendo un giro completo ( looping ) sulla struttura tridimensionale e assegnando delle coordinate cartesiane a ciascun voxel diverso da FALSO (ovvero, non pari a zero);

- una fase di mesh generation: si ha una ricostruzione tridimensionale dello stack finale ripulito, ottenendo una superficie tridimensionale di uscita, attraverso un algoritmo noto al tecnico del settore quale quello della ricostruzione di superficie di Poissou.

I vertici e le facce risultanti vengono convertiti in un file di uscita rappresentativo della superficie tridimensionale di uscita, ad esempio un modello tridimensionale PLY (Poligon File Format).

Ritornando ora alla Figura 1, in un successivo passo 6 il modello tridimensionale PLY ottenuto durante la segmentazione 4 (la superficie tridimensionale di uscita) viene analizzato attraverso metodi di geometria differenziale (descrittori geometrici) in modo tale da individuare punti caratteristici (Laudmarks) comuni a tutti gli individui (ad esempio, la punta del naso, il confine del labbro superiore, gli estremi delle sopracciglia, etc.) che possono pertanto essere utilizzati per confrontare tra loro soggetti diversi in maniera oggettiva.

L'individuazione dei Laudmarks avviene in maniera automatica vincolando gli intervalli di valori assunti dai descrittori geometrici. Il viso del soggetto viene quindi rappresentato come un insieme di Laudmarks o punti a questi adiacenti, riportando i valori assunti dai descrittori geometrici (e, alternativamente, in aggiunta, le relative posizioni nel modello tridimensionale del soggetto stesso). La Figura 3 mostra i vari passi della fase di analisi differenziale 6 della Figurai. L'analisi differenziale 6 consente di eseguire un'estrazione di parametri ( features ) che permettono di identificare dismorfismi facciali, in particolare per l'individuazione della patologia di labioschisi (labbro leporino). L'analisi della superficie tridimensionale di uscita attraverso la geometria differenziale permette di estrarre i Laudmarks, e le informazioni geometriche così estratte vengono infine elaborate con un algoritmo di dusteriug non supervisionato, di per sé noto ad un tecnico del settore, il quale produce la classificazione finale, come descritto in seguito in dettaglio.

Nella descrizione che segue viene prima presentata una formalizzazione della descrizione del viso a geometria differenziale, insieme con l'estrazione di associate features per la localizzazione di Laudmarks. In seguito, le informazioni provenienti dai descrittori geometrici vengono sfruttate per alimentare l'algoritmo di dusteriug non supervisionato per l'identificazione di dismorfismi facciali, in particolare la presenza di labioschisi.

In un primo passo 100 della fase di analisi differenziale 6 la superficie tridimensionale di uscita viene mappata punto per punto con entità appartenenti al dominio della geometria differenziale di per sé note ad un tecnico deir arte e qui chiamate descrittori geometrici.

In particolare viene scelto un insieme predefinito di descrittori geometrici insieme alle derivate prima e seconda della superficie tridimensionale di uscita, ovvero tre coefficienti della prima forma fondamentale, tre coefficienti della seconda forma fondamentale, la curvatura gaussiana K, la curvatura media H, le curvature principali kl e k2, l'indice di forma S e l'indice di curvedness C. Questi descrittori geometrici (o un loro sottoinsieme) sono quindi calcolati per ciascun punto della superficie tridimensionale e utilizzati nelle successive fasi di estrazione dei Landniarks e applicazione dell'algoritmo di dustering.

Calcolando i valori dei descrittori geometrici per una pluralità di individui (pluralità di superfici tridimensionali), si ottiene una distribuzione del loro comportamento locale.

A questo punto, in una fase 102 vengono localizzati Landniarks facciali, i quali sono tipici punti facciali come la punta del naso, la base del naso, gli estremi interno ed esterno degli occhi. La localizzazione avviene automaticamente fissando soglie su misura definite empiricamente in predefinite aree facciali dove ciascun Landniark è più probabile che si trovi. Preferibilmente vengono localizzati la punta del naso e il confine del labbro superiore.

Ritornando ora alla figura 1, in un passo 8 ciascun soggetto viene classificato secondo le specifiche caratteristiche geometriche dei punti individuati automaticamente con l'ausilio dei Landniarks : in particolare, soggetti che presentano caratteristiche geometrie o-morfologiche simili vengono inseriti nella stessa classe. Tale classificazione viene realizzata tramite l'ottimizzazione di una funzione costo nota ad un tecnico del settore e che definisce costi elevati per includere individui con caratteristiche morfologiche molto diverse in un'unica classe.

Corrispondentemente, il raggruppamento di soggetti con caratteristiche simili in una stessa classe è matematicamente favorevole e porta l'algoritmo alla convergenza verso la soluzione: in estrema sintesi, l'algoritmo raggruppa gli individui andando così ad evidenziare conseguentemente la presenza delle classi.

Grazie alle classi così trovate è possibile assegnare un soggetto ad una di essere, agevolando pertanto la successiva fase di diagnosi del medico.

La classificazione 8 dei soggetti viene ottenuta eseguendo un dustering.

I comuni algoritmi di dustering non supervisionato appartengono a due categorie: algoritmi di partizionamento (ad esempio di tipo K-means ) e dustering gerarchici (ad esempio di tipo Single Linkage). In una forma preferita dell' invenzione viene utilizzato l' algoritmo di dustering non supervisionato legato ( bounded non vincolato) di tipo Depth Minimum Steiner Trees (D-MST). La superficie tridimensionale ai cui punti sono associati i descrittori geometrici viene inserita in una matrice N x M, in cui ad ogni riga N è associato un individuo (quindi, tutte le fasi precedenti vengono ripetute per N individui e poi si giunge alla presente fase 104) e le colonne M corrispondono, per ogni Landmark o punto adiacente considerato, al numero di descrittori geometrici da utilizzare per la descrizione facciale. Preferibilmente, viene selezionata una pluralità di descrittori geometrici (preferibilmente quattro) espressi in una porzione della superficie facciale corrispondente alla zona compresa tra la parte centrale del labbro superiore e la punta del naso (preferibilmente una zona del volto disposta in linea retta parallelamente al labbro superiore, da estremo sinistro a estremo destro, e centrata nel confine superiore del labbro stesso), in modo tale da raccogliere sufficienti informazioni circa la possibile presenza della labioschisi.

Viene quindi utilizzato un algoritmo di dustering (di per sé noto ad un tecnico del settore) il quale richiede la definizione di una misura di dissimilarità da utilizzare per un confronto uno-ad-uno tra visi, e che utilizza una matrice di dissimilarità i cui elementi rappresentano la dissimilarità tra coppie di individui. Preferibilmente, si utilizza una dissimilarità basata sullo Speaiman's rank correlation coefficient (rho).

Applicando questo algoritmo di dustering ad un database di individui costruito a partire dai descrittori geometrici dei punti sopra indicati, si ottimizza una funzione di costo che restituisce in uscita, in modo per sé noto, una pluralità di classi in cui vengono inseriti i visi dei vari individui, preferibilmente feti, così analizzati.

Riassumendo, una volta che il Laudwark del labbro superiore è stato identificato, esso porta all'identificazione di un'area che potrebbe essere interessata dalla labioschisi. In particolare, viene considerata una regione posta orizzontalmente (rispetto all' orientamento del viso) sopra al labbro. La lunghezza e ampiezza di tale regione deve essere tale da coprire il labbro senza invadere altre regioni del viso.

Un sottoinsieme dei descrittori geometrici di tutti i punti di tale regione viene memorizzato in un vettore e così si costruisce la matrice N x M sopra citata. Il procedimento secondo l'invenzione è eseguito da un sistema del tipo illustrato in figura 4 che comprende una workstation 200 di tipo noto, avente un sottosistema di elaborazione 210, un dispositivo di visualizzazione 220, una tastiera 230, un dispositivo di puntamento (mouse) 240, e un dispositivo per la connessione ad una rete locale (network bus) 250. Alternativamente, il sistema di elaborazione può essere di tipo distribuito (non illustrato) avente un sottosistema di elaborazione e dispositivi di ingresso/uscita periferici locali o remoti.

La workstation 200 o il sistema distribuito sono predisposti per elaborare gruppi o moduli di elaborazione e programmi di calcolo che sono memorizzati su un disco 260 o sono accessibili su una rete e che sono atti a visualizzare il procedimento descritto per visualizzare i risultati sul dispositivo di 220. Le soluzioni descritte sono considerate ben note ad un tecnico dell'arte e non saranno pertanto descritte qui in quanto non sono rilevanti per gli scopi di attuazione e per la comprensione dell'invenzione.

Naturalmente, fermo restando il principio dell'invenzione, le forme di attuazione ed i particolari di realizzazione potranno essere ampiamente variati rispetto a quanto è stato descritto ed illustrato a puro titolo di esempio non limitativo, senza per questo uscire dall'ambito di protezione della presente invenzione definito dalle rivendicazioni allegate.

Claims

RIVENDICAZIONI 1. Procedimento di elaborazione di immagini mediche di un viso per il riconoscimento di dismorfismi facciali comprendente le operazioni di: - acquisire (2) in una prima direzione una pluralità di immagini mediche bidimensionali planari di un viso di un soggetto, dette immagini comprendendo una pluralità di voxel ; - segmentare (4) dette immagini in modo da ottenere una superficie tridimensionale di uscita rappresentativa di un modello tridimensionale di detto viso; - analizzare (6) detta superficie tridimensionale di uscita utilizzando metodi di geometria differenziale in modo da individuare e localizzare punti caratteristici comuni al viso di tutti gli individui; - classificare (8) dette immagini del viso sulla base di caratteristiche geometriche di detti punti caratteristici.
2. Procedimento secondo la rivendicazione 1, in cui la fase di segmentare (4) le immagini comprende le operazioni di: - filtrare (50) le immagini per eliminare rumore presente in dette immagini; - estrapolare (52) la superficie facciale rilevando, per ogni immagine, i bordi del viso; - ripetere (58) la fase di estrapolazione (52) per immagini acquisite in altre due direzioni ortogonali alla prima direzione; - combinare (60) le superfici estrapolate ottenendo un insieme di immagini combinato in cui ogni voxel assume un valore binario; - eseguire una ricostruzione (62) delle superfici estrapolate ottenendo detta superficie tridimensionale di uscita.
3. Procedimento secondo la rivendicazione 2, in cui l'operazione di estrapolare (52) la superficie facciale comprende le operazioni di: - elaborare (54a) l'intera pluralità di immagini applicando un kernel cubico definito come segue: i(i,j, k) (i,j, k) e S<v>(i) c C<v>(i) *7 ( i , j, k) o (i,j, k) e C<v>(l) \ S<v>(l) s<v>(i) = | (i,j, k) e C<v>(l) : (|* — τ·| = \ j — c\ A k — s) V (|ΐ — r| — |fc — s| A j — cj V V Qj _c|=|A; — s| Λ ΐ = r) V (|ΐ — r| = \j — c\ — |fc — s|)v V |* — r| \j — c\ \k — s| — rnax[\i — r|, \j — c|, |fc — s|) C<v>(l) = | [r — l, r i] x [c — l, c l] x [s — l, s £] | dove<v =>(<r>'<s>) è un generico Ooxel delle immagini e l un parametro predeterminato rappresentativo della misura di metà lato del kernel, in modo da estrarre un sottoinsieme di voxel ; - calcolare (54b) ristogramma della scala di grigi del kernel ; - fissare (54c) per ogni voxel di detto sottoinsieme di voxel un valore di soglia locale pari ad un predeterminato percentile di detto istogramma di grigi ottenendo un insieme intermedio di immagini in cui ad ogni voxel di detto sottoinsieme di voxel è assegnato un valore di intensità pari al valore di soglia locale; - porre (56a), per ogni immagine, tutti i valori di soglia locale dei voxel del sottoinsieme di voxel minori di un valore predeterminato (t) pari a zero e calcolare (56b) l' istogramma della scala di grigi di ogni immagine; - fissare (56c), per ogni immagine, un valore di soglia globale predeterminato; - mappare (56d), per ogni immagine, i voxel di detto sottoinsieme di voxel appartenenti all'immagine in una immagine binaria di uscita in cui ogni voxel è pari a VERO o FALSO a seconda del confronto tra il valore di soglia globale e il valore di intensità del voxel ; - determinare i bordi del viso confrontando tra loro i valori di detti voxel.
4. Procedimento secondo la rivendicazione 3, in cui il valore di soglia globale è ottenuto applicando la seguente formula; T(s) - M - I σ (2<N>- 1) dove M è il massimo valore di intensità apparsa almeno una volta nelC immagine, o è la deviazione standard dell' intensità e N è il numero di bit d eli' immagine.
5. Procedimento secondo la rivendicazione 2, in cui la ricostruzione (62) delle superfici estrapolate comprende le operazioni di: - eseguire una fase di edge detection per ottenere un insieme di immagini finali aventi una migliore definizione della superficie facciale; - eseguire una fase di islnnd removai per pulire Γ insieme di immagini finali ottenendo un insieme di immagini finali ripulite; - eseguire una fase di point cloud. in modo da assegnare coordinate cartesiane a ciascun voxel dell' insieme di immagini finali ripulite avente un predeterminato valore binario; - eseguire una fase di mesh generation, ossia di ricostruzione tridimensionale deirinsieme di immagini finali ripulite ottenendo la superficie tridimensionale di uscita.
6. Procedimento secondo una qualsiasi delle rivendicazioni precedenti, in cui l'operazione di analizzare (6) detta superficie tridimensionale di uscita utilizzando metodi di geometria differenziale comprende le operazioni di: - mappare (100) la superficie tridimensionale di uscita con descrittori geometrici calcolando detti descrittori geometrici per ciascun punto di detta superficie tridimensionale di uscita; - localizzare (102) descrittori geometrici facciali rappresentativi di tipici punti di un viso di un soggetto.
7. Procedimento secondo la rivendicazione 6 in cui i descrittori geometrici comprendono tre coefficienti della prima forma fondamentale, tre coefficienti della seconda forma fondamentale, la curvatura gaussiana K, la curvatura media H, le curvature principali kl e k2, l'indice di forma S e l'indice di curvedness C.
8. Procedimento secondo la rivendicazione 6, in cui l'operazione di classificare (8) il soggetto comprende l'operazione di applicare un algoritmo di dustering ai descrittori geometrici ottenendo in uscita una pluralità di classi.
9. Procedimento secondo una qualsiasi delle rivendicazioni precedenti, in cui le immagini mediche sono immagini ecografiche prenatali.
10. Sistema di elaborazione (200-260) per di immagini mediche di un viso per il riconoscimento di dismorfismi facciali predisposto per eseguire un procedimento secondo una qualsiasi delle rivendicazioni da l a 9.
11. Programma di elaborazione o gruppo di programmi che possono essere ese guiti da un sistema di elaborazione (200-260) e che comprende uno o più moduli di codice per Γ attuazione di un procedimento di riconoscimento di dismorfismi facciali secondo una qualsiasi delle rivendicazioni da l a 9.