基于深度差异网络模型的面瘫识别与分级评估方法研究

发布时间：2021-08-29 20:44

　　面瘫是一种常见的面部表情肌功能障碍疾病,发病率较高,然而面瘫诊断治疗的专业医生却相对较少,且医生在诊断过程中很大程度上受主观因素的影响,从而导致面瘫患者难以得到及时准确的诊断,不利于患者后续的治疗。基于计算机视觉技术的面瘫自动化识别与分级评估方法是一种快速有效的面瘫辅助诊断手段,较大程度上帮助医生对患者病情进行诊断,以给出较为合理的治疗方案。因此,利用计算机视觉技术进行面瘫的自动识别与评估对面瘫的诊断与治疗具有重要意义。目前,尽管已有较多的面瘫识别与评估方法,但这些方法均基于面部不对称进行判断,而正常人的面部在呈现某种表情或静止时也可能存在不对称性;其次,现有方法大多使用浅层模型,且主要关注图像的浅层特征,难以对面瘫进行全面有效的识别与评估,方法有待进一步改进或提出新方法。本文基于现有面瘫识别与评估方法,针对上述存在的问题,利用深度学习的方法和理论,主要开展以下新的研究内容:1.针对面瘫的识别问题,依据疑似患者进行重复临床诊断性面部动作时,存在面部异常或不对称的正常人常比面瘫患者表现出更大的差异,据此,本文提出了一种基于深度差异网络（Deep Differentiated Networ... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

ROIs图解

程度通过面部两侧运动的不对称性来测量。此外，计算对称问题。该方法定义了两种特征：不对称特征和运动特的 ROI 和右侧的垂直镜像 ROI 之间的相关系数来测量的称的，所以其中一个是水平翻转的，能够根据灰度值计OI 的不对称特征L ,R ，按如下公式计算。,( ( , ), ( , ))( ( , ), ( , ))[( ( , ) )( ( , ) )]L R L RL RL RL L R RL Rcorr I x y I x ycov I x y I x yE I x y I x y ) 是左侧的灰度级， ( , )RI x y 是脸右侧的 的垂直镜像corr 表示相关系数，cov表示协方差。L ，R ，L ，R 分的平均值， 的标准差， 的标准差。

运动特征计算图解（滤波器参数为： 8.3x y ， f 0.22， 例说明了 F-L 区域在帧-60 中运动特性的计算性能。]中提出了一种基于 Gabor 小波滤波器对 LBP 图像响应的鲁的客观测量特征，克服了其他技术的一些问题，如噪声、照明，它在一定程度上提高了准确率。法的缺点是耗时，计算 Gabor 滤波器的响应需要更多的时间择的复杂性，对于该方法的研究仅对每个表达式使用一组参 个高斯形状）作为 Gabor 滤波器。因此，准确率较低。度学习的面瘫识别与评估算法检测是定量评价面瘫的重要预处理步骤。但是由于传统方法如hape Model，ASM）或主动外观模型（ActiveAppearance M

【参考文献】：
硕士论文
[1]基于内容和时空特征的面瘫程度定量评价的鉴别研究[D]. 任红洋.中南林业科技大学 2017
[2]面瘫患者面部运动功能自动分级方法研究[D]. 林杨.中国海洋大学 2008



本文编号：3371354