背景截止目前,已有許多將面部圖像識別技術應用于診斷特定疾病的例子,這些技術在醫(yī)學診斷上有非常好的應用前景,有望降低醫(yī)療壓力和提高醫(yī)療效率。本研究的目的為建立一個基于面部特征模式識別的計算機輔助診斷工具,用以診斷特納綜合征。方法自2016年7月至2017年5月,共收集了 54例特納綜合征患者和158例女性對照的照片。最終,32例特納綜合征患者和96例年齡匹配的女性對照的照片被納入研究,并被平均分為訓練組和測試組。計算機自動分類的過程包括圖像預處理、面部特征識別、面部降維和融合、自動分類和結果展示。將測試組的照片制作成網絡測試,共有27位醫(yī)生和21位醫(yī)學生完成了該測試。結果訓練后的面部圖像智能診斷系統(tǒng),得到了 68.8%的敏感性和87.5%的特異性(重新取樣50次后的平均敏感性為67.6%,平均特異性為87.9%),遠高于48位醫(yī)學工作者的平均敏感性(57.4%,P<0.001)和特異性(75.4%,P<0.001)。結論本系統(tǒng)的結果較為令人滿意,并優(yōu)于醫(yī)生和醫(yī)學生的診斷正確率。然而,還需進一步優(yōu)化本系統(tǒng),以進一步應用于臨床。背景基于深度學習的面部自動分類技術在許多內分泌疾病和... 

【文章來源】：北京協(xié)和醫(yī)學院北京市 211工程院校 985工程院校

【文章頁數】：56 頁

【學位級別】：博士

【部分圖文】：

圖１．患者和對照組的年齡分布

最后，選取了?３２名特納綜合征患者和９６名對照組（圖１Ｂ）。??同一年齡組的參與者被平均隨機分為訓練組和測試組；即，測試組和訓練組均??由１６名特納綜合征患者和４８名對照組組成（圖２Ａ）。為了獲得可靠的統(tǒng)計結果，??我們對訓練和測試組進行了?５０次隨機重新取樣，并進行自動分類，然后計算平均??敏感性和特異性。??三、基于特征提取的面部識別方法??自動分類過程由五部分組成（圖２）：??１０??

我們訓練了一個６８個特征點人臉模型（圖３）。使用Ｋａｚｅｍｉ等人提出??的方法可以檢測和跟蹤這６８個特征點［２１］。點０?－?１６代表面部輪廓，１７?－?２１和２２?－??２６分別代表左右眉部區(qū)域，２７?－?３５代表鼻梁區(qū)域，３６?－?４１和４２?－?４７分別代表左右??眼區(qū)域，４８?－?６７代表嘴部區(qū)域。然后，根據特征點和特征點定義的區(qū)域提取合適的??幾何特征和紋理特征。??Ｗ，?ｍｍ??ｗ??Ｕ?－?Ｓ?Ｍ??圖３．特納綜合征患者面部６８特征點模型（該圖像為本研究特納綜合征患者的面部平均圖）??２．人臉特征提取??提取和分析全局幾何特征（ｇｌｏｂａｌ?ｇｅｏｍｅｔｒｉｃａｌ?ｆｅａｔｕｒｅｓ，?ＧＧＦ）、全局紋理特征??（ｇｌｏｂａｌ?ｔｅｘｔｕｒｅ?ｆｅａｔｕｒｅｓ，?ＧＴＦ）和多個局部特征（ｌｏｃａｌ?ｆｅａｔｕｒｅｓ，?ＬＦ）。??ＧＧＦ：首先，在預處理的人臉圖像上建立了一個坐標系，得到６８個坐標值，??記為ｐ＿ｎ?（�。。剑�


本文編號：2921382