基于三維人臉特征的計算機輔助疾病診斷技術研究.pdf

1、近年來，隨著計算機技術和醫(yī)學研究的不斷發(fā)展，計算機輔助診斷(ComputerAided Diagnosis，CAD)已經(jīng)成為醫(yī)學臨床診斷的一個重要工具，在某種程度上已經(jīng)成為現(xiàn)代化醫(yī)療的行業(yè)標準。目前，CAD已經(jīng)從診斷的輔助參考逐漸向計算機自動診斷(Automated Computer Diagnosis，ACD)發(fā)展。
　　 現(xiàn)代醫(yī)學研究表明，基因遺傳綜合癥(Genetic Syndrome，GS)是導致兒童精神發(fā)育遲滯(Men

2、tal Retardation)的主要原因之一，而多數(shù)綜合癥都會導致人的臉部形態(tài)發(fā)生微妙變化，這使得利用計算機進行GS診斷成為可能和必要。本文目標是解決GS計算機輔助診斷中的若干關鍵技術問題，并構造面向計算機和醫(yī)學領域交叉的體系結構框架。
　　 從三維人臉模型中提取特征是GS診斷的一個重要問題，由于本文研究背景的特殊性，特征提取算法面臨兩個主要問題：1)由于難以獲取正對的三維人臉模型，需要在非正對條件下定位模型；2)GS通常會導

3、致臉部特征形態(tài)變化，需要研究同時適用于正常人和GS患者的提取算法。針對上述問題，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稱性篩選并獲取鼻尖及相應的對稱平面位置；隨后，利用鼻尖和對稱平面校準模型至基本正對；最后，根據(jù)其他特征點所在區(qū)域的曲率及其相對于鼻尖的位置關系，分割特征區(qū)域并提取特征點。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正常人和GS患者都能有效提取特征。實驗結果表明，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，具有較強的魯棒性，運行速度較快，準確率較高。
　　 智能推理模型是診斷的核心，模型的選擇需要在保證準確率的基礎上提高泛化能力。由于實驗數(shù)據(jù)是正常人樣本和已確診的病例，因此采用監(jiān)督學習算法是一個較好的選擇。第三章介紹了幾種典型的機器學習算法，針對診斷的特點和要求，從樣本質量、精度要求以及先驗知識的引入三個方面分析對比各種算法，提出以支持向量機(Support Vector Machine，

5、SVM)作為診斷系統(tǒng)的推理核心。隨后，在詳細介紹SVM算法及其理論依據(jù)的基礎上，進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)學診斷先驗知識，將其引入學習過程。針對這一目標，需要研究確定ACD的體系結構。第四章首先介紹了CAD/ACD體系結構的研究現(xiàn)狀，指出現(xiàn)有的體系結構無法靈活的適應外部知識的變化。針對該問題，論文提出了一個面向計算機和醫(yī)學領域

6、交叉的ACD體系結構，其主要特點是引入自然語言處理技術，使得醫(yī)學專家能夠利用診斷指令，自主的將診斷知識結合到診斷體系結構中。論文闡述了自然語言處理的相關技術，分析構造了面向醫(yī)學診斷指令的產(chǎn)生式，并實現(xiàn)了一個診斷指令解析過程。在此基礎上，提出并實現(xiàn)了一種將先驗知識引入機器學習的方法，該方法的特點體現(xiàn)在樣本篩選和輸入數(shù)據(jù)調整兩個方面。通過對診斷指令的處理，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)對學習的影響；增加與語義相關的維度

7、(數(shù)據(jù)調整)，增強分類器對樣本語義的敏感。實驗結果證明，該方法能有效提高學習效率，同時也證明了所提出體系結構的可行性。
　　 由于論文中的數(shù)據(jù)來自不同的單位，樣本標注缺乏嚴謹和一致性，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。該算法的最大特點在于通過聚類將同類樣本中具有不同“子差異”的樣本預先分組，并利用樣本篩選和分類器的構造避免這種“子