特纳综合征面部图像智能诊断系统的建立及应用

发布时间：2020-12-17 04:08

　　背景截止目前,已有许多将面部图像识别技术应用于诊断特定疾病的例子,这些技术在医学诊断上有非常好的应用前景,有望降低医疗压力和提高医疗效率。本研究的目的为建立一个基于面部特征模式识别的计算机辅助诊断工具,用以诊断特纳综合征。方法自2016年7月至2017年5月,共收集了 54例特纳综合征患者和158例女性对照的照片。最终,32例特纳综合征患者和96例年龄匹配的女性对照的照片被纳入研究,并被平均分为训练组和测试组。计算机自动分类的过程包括图像预处理、面部特征识别、面部降维和融合、自动分类和结果展示。将测试组的照片制作成网络测试,共有27位医生和21位医学生完成了该测试。结果训练后的面部图像智能诊断系统,得到了 68.8%的敏感性和87.5%的特异性(重新取样50次后的平均敏感性为67.6%,平均特异性为87.9%),远高于48位医学工作者的平均敏感性(57.4%,P<0.001)和特异性(75.4%,P<0.001)。结论本系统的结果较为令人满意,并优于医生和医学生的诊断正确率。然而,还需进一步优化本系统,以进一步应用于临床。背景基于深度学习的面部自动分类技术在许多内分泌疾病和... 

【文章来源】：北京协和医学院北京市 211工程院校 985工程院校

【文章页数】：56 页

【学位级别】：博士

【部分图文】：

图１．患者和对照组的年龄分布

最后，选取了?３２名特纳综合征患者和９６名对照组（图１Ｂ）。??同一年龄组的参与者被平均随机分为训练组和测试组；即，测试组和训练组均??由１６名特纳综合征患者和４８名对照组组成（图２Ａ）。为了获得可靠的统计结果，??我们对训练和测试组进行了?５０次随机重新取样，并进行自动分类，然后计算平均??敏感性和特异性。??三、基于特征提取的面部识别方法??自动分类过程由五部分组成（图２）：??１０??

我们训练了一个６８个特征点人脸模型（图３）。使用Ｋａｚｅｍｉ等人提出??的方法可以检测和跟踪这６８个特征点［２１］。点０?－?１６代表面部轮廓，１７?－?２１和２２?－??２６分别代表左右眉部区域，２７?－?３５代表鼻梁区域，３６?－?４１和４２?－?４７分别代表左右??眼区域，４８?－?６７代表嘴部区域。然后，根据特征点和特征点定义的区域提取合适的??几何特征和纹理特征。??Ｗ，?ｍｍ??ｗ??Ｕ?－?Ｓ?Ｍ??图３．特纳综合征患者面部６８特征点模型（该图像为本研究特纳综合征患者的面部平均图）??２．人脸特征提取??提取和分析全局几何特征（ｇｌｏｂａｌ?ｇｅｏｍｅｔｒｉｃａｌ?ｆｅａｔｕｒｅｓ，?ＧＧＦ）、全局纹理特征??（ｇｌｏｂａｌ?ｔｅｘｔｕｒｅ?ｆｅａｔｕｒｅｓ，?ＧＴＦ）和多个局部特征（ｌｏｃａｌ?ｆｅａｔｕｒｅｓ，?ＬＦ）。??ＧＧＦ：首先，在预处理的人脸图像上建立了一个坐标系，得到６８个坐标值，??记为ｐ＿ｎ?（！！＝０


本文编号：2921382