基于三維人臉特征的計(jì)算機(jī)輔助疾病診斷技術(shù)研究.pdf

1、近年來，隨著計(jì)算機(jī)技術(shù)和醫(yī)學(xué)研究的不斷發(fā)展，計(jì)算機(jī)輔助診斷(ComputerAided Diagnosis，CAD)已經(jīng)成為醫(yī)學(xué)臨床診斷的一個(gè)重要工具，在某種程度上已經(jīng)成為現(xiàn)代化醫(yī)療的行業(yè)標(biāo)準(zhǔn)。目前，CAD已經(jīng)從診斷的輔助參考逐漸向計(jì)算機(jī)自動(dòng)診斷(Automated Computer Diagnosis，ACD)發(fā)展。
　　 現(xiàn)代醫(yī)學(xué)研究表明，基因遺傳綜合癥(Genetic Syndrome，GS)是導(dǎo)致兒童精神發(fā)育遲滯(Men

2、tal Retardation)的主要原因之一，而多數(shù)綜合癥都會(huì)導(dǎo)致人的臉部形態(tài)發(fā)生微妙變化，這使得利用計(jì)算機(jī)進(jìn)行GS診斷成為可能和必要。本文目標(biāo)是解決GS計(jì)算機(jī)輔助診斷中的若干關(guān)鍵技術(shù)問題，并構(gòu)造面向計(jì)算機(jī)和醫(yī)學(xué)領(lǐng)域交叉的體系結(jié)構(gòu)框架。
　　 從三維人臉模型中提取特征是GS診斷的一個(gè)重要問題，由于本文研究背景的特殊性，特征提取算法面臨兩個(gè)主要問題：1)由于難以獲取正對(duì)的三維人臉模型，需要在非正對(duì)條件下定位模型；2)GS通常會(huì)導(dǎo)

3、致臉部特征形態(tài)變化，需要研究同時(shí)適用于正常人和GS患者的提取算法。針對(duì)上述問題，本文提出了NIFE人臉特征提取算法。算法首先根據(jù)鼻尖的幾何形狀和對(duì)稱性篩選并獲取鼻尖及相應(yīng)的對(duì)稱平面位置；隨后，利用鼻尖和對(duì)稱平面校準(zhǔn)模型至基本正對(duì)；最后，根據(jù)其他特征點(diǎn)所在區(qū)域的曲率及其相對(duì)于鼻尖的位置關(guān)系，分割特征區(qū)域并提取特征點(diǎn)。NIFE算法利用鼻尖在幾何形態(tài)上的穩(wěn)定性，通過分布處理確保了對(duì)正常人和GS患者都能有效提取特征。實(shí)驗(yàn)結(jié)果表明，NIFE算法能

4、在模型朝向和位置未知的情況下提取人臉特征，具有較強(qiáng)的魯棒性，運(yùn)行速度較快，準(zhǔn)確率較高。
　　 智能推理模型是診斷的核心，模型的選擇需要在保證準(zhǔn)確率的基礎(chǔ)上提高泛化能力。由于實(shí)驗(yàn)數(shù)據(jù)是正常人樣本和已確診的病例，因此采用監(jiān)督學(xué)習(xí)算法是一個(gè)較好的選擇。第三章介紹了幾種典型的機(jī)器學(xué)習(xí)算法，針對(duì)診斷的特點(diǎn)和要求，從樣本質(zhì)量、精度要求以及先驗(yàn)知識(shí)的引入三個(gè)方面分析對(duì)比各種算法，提出以支持向量機(jī)(Support Vector Machine，

5、SVM)作為診斷系統(tǒng)的推理核心。隨后，在詳細(xì)介紹SVM算法及其理論依據(jù)的基礎(chǔ)上，進(jìn)一步闡明了該算法作為智能推理模型的優(yōu)勢，并討論了利用SVM解決多類分類問題的方法。
　　 為了提高診斷推理的效果，需要充分利用醫(yī)學(xué)診斷先驗(yàn)知識(shí)，將其引入學(xué)習(xí)過程。針對(duì)這一目標(biāo)，需要研究確定ACD的體系結(jié)構(gòu)。第四章首先介紹了CAD/ACD體系結(jié)構(gòu)的研究現(xiàn)狀，指出現(xiàn)有的體系結(jié)構(gòu)無法靈活的適應(yīng)外部知識(shí)的變化。針對(duì)該問題，論文提出了一個(gè)面向計(jì)算機(jī)和醫(yī)學(xué)領(lǐng)域

6、交叉的ACD體系結(jié)構(gòu)，其主要特點(diǎn)是引入自然語言處理技術(shù)，使得醫(yī)學(xué)專家能夠利用診斷指令，自主的將診斷知識(shí)結(jié)合到診斷體系結(jié)構(gòu)中。論文闡述了自然語言處理的相關(guān)技術(shù)，分析構(gòu)造了面向醫(yī)學(xué)診斷指令的產(chǎn)生式，并實(shí)現(xiàn)了一個(gè)診斷指令解析過程。在此基礎(chǔ)上，提出并實(shí)現(xiàn)了一種將先驗(yàn)知識(shí)引入機(jī)器學(xué)習(xí)的方法，該方法的特點(diǎn)體現(xiàn)在樣本篩選和輸入數(shù)據(jù)調(diào)整兩個(gè)方面。通過對(duì)診斷指令的處理，將不符合語義描述的樣本去除(樣本篩選)，減少噪音數(shù)據(jù)對(duì)學(xué)習(xí)的影響；增加與語義相關(guān)的維度

7、(數(shù)據(jù)調(diào)整)，增強(qiáng)分類器對(duì)樣本語義的敏感。實(shí)驗(yàn)結(jié)果證明，該方法能有效提高學(xué)習(xí)效率，同時(shí)也證明了所提出體系結(jié)構(gòu)的可行性。
　　 由于論文中的數(shù)據(jù)來自不同的單位，樣本標(biāo)注缺乏嚴(yán)謹(jǐn)和一致性，因此存在同類樣本分屬不同子類的情況，即同類樣本中存在一定的“子差異”。針對(duì)這一問題，論文提出了一種基于子空間劃分的分類算法GBSVM。該算法的最大特點(diǎn)在于通過聚類將同類樣本中具有不同“子差異”的樣本預(yù)先分組，并利用樣本篩選和分類器的構(gòu)造避免這種“子