兒童阻塞性睡眠呼吸暫停計算機(jī)人臉輔助診斷綜述

　　摘要利用人臉圖片輔助診斷兒童阻塞性睡眠呼吸暫停(OSA)可以減輕醫(yī)生的負(fù)擔(dān)，提高診斷的準(zhǔn)確率。首先，簡要闡述了目前臨床診斷中的方法和局限性;然后，在研究了目前已有方法的基礎(chǔ)上，結(jié)合了計算機(jī)人臉輔助診斷其他疾病的方法，將計算機(jī)人臉輔助診斷兒童OSA分為三種方法：基于傳統(tǒng)的計算機(jī)人臉診斷方法、基于遷移學(xué)習(xí)的診斷方法、基于3D人臉數(shù)據(jù)的診斷方法，綜述了三種方法中的關(guān)鍵步驟，并對關(guān)鍵步驟中的方法進(jìn)行了對比研究，為將來兒童OSA人臉輔助診斷的研究提供了不同的切入點;最后，分析了未來研究中的機(jī)遇和挑戰(zhàn)。

　　關(guān)鍵詞人臉輔助診斷;兒童阻塞性睡眠呼吸暫停;人臉關(guān)鍵點檢測;人臉特征提取;遷移學(xué)習(xí)

　　引言

　　1976年兒童阻塞性睡眠呼吸暫停(ObstructiveSleepApnea，OSA)被Guilleminault等[1]第一次提出，之后阻塞性睡眠呼吸暫停綜合征被定義為上氣道間歇性完全阻塞或部分阻塞，這種疾病會影響睡眠質(zhì)量，常伴有睡眠碎片和間歇性低氧血癥[2]，由OSA引發(fā)的慢性間歇性夜間低氧血癥和睡眠不足可能會導(dǎo)致神經(jīng)行為問題、心血管疾病和精神疾病綜合癥等重大風(fēng)險。

　　兒童醫(yī)學(xué)論文： 兒童預(yù)防接種中應(yīng)用安全預(yù)防接種護(hù)理干預(yù)的價值

　　根據(jù)調(diào)查顯示兒童OSA患病率為1.2%~5.7%[3]，我國香港地區(qū)的兒童OSA患病率為4.8%[4]�？梢奜SA嚴(yán)重影響兒童的身心健康，并對未來的長期健康產(chǎn)生深遠(yuǎn)影響。所以，對于兒童OSA患者來說，初期發(fā)現(xiàn)和診斷至關(guān)重要。兒童OSA的診斷一般是通過多導(dǎo)睡眠圖(Polysomnography，PSG)以及針對兒科的診斷標(biāo)準(zhǔn)來實現(xiàn)的[5]。

　　根據(jù)文獻(xiàn)[6]可知，在面部特征方面，推薦重點關(guān)注腺樣體面容;文獻(xiàn)[7-8]中分析了腺樣體面容，面部特征變化主要集中在眼睛、鼻子、嘴唇。這些面部特征也可用于兒童OSA的預(yù)測中。臨床數(shù)據(jù)中一般收集人口統(tǒng)計學(xué)特征如身高、體重、勁圍、腹圍、臀圍和PSG檢測中的睡眠參數(shù)。在診斷時，把PSG數(shù)據(jù)中的阻塞性呼吸暫停低通氣指數(shù)(ObstructiveApnea/HypopneaIndex，OAHI)>1次/h作為兒童OSA的診斷界值指標(biāo)，有利于早期發(fā)現(xiàn)和干預(yù)治療。

　　此外呼吸暫停低通氣指數(shù)(ApneaHypopneaIndex，AHI)、阻塞性呼吸暫停指數(shù)(ObstructiveApneaIndex，OAI)和最低血氧飽和度對兒童OSA診斷也有重要參考作用。對于兒童OSA嚴(yán)重程度診斷指標(biāo)，參考標(biāo)準(zhǔn)如下：1)輕度為1次/h

　　1相關(guān)領(lǐng)域研究現(xiàn)狀

　　傳統(tǒng)的人臉輔助診斷的研究最先是提取圖像上的淺層特征，如紋理特征、幾何特征、顏色特征進(jìn)行輔助診斷，如Balaei等[9]通過提取到的臉部寬度、眼睛寬度、頸心角和下頜長度等幾何特征，使用邏輯回歸分類器來預(yù)測OSA;如Song等[10]通過提取內(nèi)眥贅皮、黑素細(xì)胞痣的紋理特征，前額、鼻梁和眼睛之間的幾何特征預(yù)測特納綜合征;Schneider等[11]提取紋理和幾何特征預(yù)測指端肥大癥。

　　隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，可利用神經(jīng)網(wǎng)絡(luò)提取圖像中的深度特征進(jìn)行輔助診斷，如Kumov等[12]使用神經(jīng)網(wǎng)絡(luò)提取圖像的深度特征，并融合了幾何特征，來預(yù)測8種遺傳病癥，平均分類精度達(dá)到了約93%;Balaei等[9]把正臉和側(cè)臉圖像作為輸入向量，輸入到前饋神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類，然后又選擇臉部特定的四個特征輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類，結(jié)果顯示對于使用臉部特定位置的四個特征進(jìn)行預(yù)測，與直接使用正臉和側(cè)臉圖像進(jìn)行預(yù)測相比準(zhǔn)確率有所提高。

　　傳統(tǒng)的診斷方法由于可供訓(xùn)練的數(shù)據(jù)集較少，神經(jīng)網(wǎng)絡(luò)不能充分地發(fā)揮其性能，遷徙學(xué)習(xí)的提出，解決了數(shù)據(jù)集短缺的問題，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)的分類性能。遷徙學(xué)習(xí)按照遷移方案劃分，可以分為歸納遷移學(xué)習(xí)、直推式遷移學(xué)習(xí)、無監(jiān)督遷移學(xué)習(xí);如果按照遷移學(xué)習(xí)方法劃分，可以分為實例學(xué)習(xí)、基于特征表示的遷移、基于參數(shù)的遷移、基于相關(guān)性的遷移。目前使用遷移學(xué)習(xí)來診斷兒童OSA的相關(guān)研究非常有限，遷移學(xué)習(xí)可以有效地解決兒童OSA數(shù)據(jù)短缺問題。

　　與二維圖像相比，3D人臉數(shù)據(jù)包含更多的信息，可以提高診斷的準(zhǔn)確性，也是疾病輔助診斷研究的重要領(lǐng)域。最先的研究是提取3D人臉數(shù)據(jù)上的局部特征進(jìn)行疾病的預(yù)測，如：Kiaee等[13]提取3D人臉模型上的等高線、曲率和水平曲線，將提取到的特征用拓?fù)鋽?shù)據(jù)分析方法進(jìn)行分類;Wu[14]利用兒童的3D人臉數(shù)據(jù)，計算線性和角度測量值，采用三維形態(tài)計量學(xué)分析來評估高危人群和低風(fēng)險人群面部特征的差異。隨著深度學(xué)習(xí)的發(fā)展，設(shè)計更加龐大復(fù)雜的神經(jīng)網(wǎng)絡(luò)，可以提取3D人臉數(shù)據(jù)上的深度表型特征來進(jìn)行輔助診斷如Kiaee等[13]的研究，3D人臉數(shù)據(jù)理論上可以捕捉到兒童臉上微小的面容變化，更好地預(yù)測兒童OSA，但由于3D人臉數(shù)據(jù)數(shù)量少，目前的研究不是很理想。

　　2兒童OSA人臉輔助診斷步驟

　　基于傳統(tǒng)的計算機(jī)人臉診斷方法、基于遷移學(xué)習(xí)的診斷方法、基于3D人臉數(shù)據(jù)的診斷方法中的主要步驟如下：

　　1)基于傳統(tǒng)方法的兒童OSA人臉輔助診斷。步驟一般包括獲取臉部圖像并進(jìn)行人臉檢測、圖像預(yù)處理、人臉關(guān)鍵點檢測、面容特征分析，然后提取人臉特征，最后進(jìn)行分類預(yù)測。

　　2)基于遷徙學(xué)習(xí)的兒童OSA輔助診斷。首先使用成熟的神經(jīng)網(wǎng)絡(luò)在大規(guī)模人臉數(shù)據(jù)集上進(jìn)行訓(xùn)練，然后把經(jīng)過預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型作為人臉特征提取器，再根據(jù)目標(biāo)任務(wù)調(diào)整分類器，并利用目標(biāo)域的數(shù)據(jù)集進(jìn)行微調(diào)來預(yù)測兒童OSA。

　　3傳統(tǒng)兒童

　　OSA人臉診斷傳統(tǒng)的兒童OSA人臉診斷主要步驟如下：

　　1)圖像獲取。一般都是在醫(yī)療機(jī)構(gòu)，在統(tǒng)一的環(huán)境下，由專業(yè)的人員使用統(tǒng)一的設(shè)備進(jìn)行拍攝，采集正臉和側(cè)臉的面部圖像。對于圖片的標(biāo)簽可以根據(jù)文獻(xiàn)[6]，利用OAHI指標(biāo)進(jìn)行標(biāo)注。2)人臉檢測。把圖像中的人臉區(qū)域裁剪出來。人臉檢測是輔助診斷中重要的基礎(chǔ)任務(wù)之一，人臉檢測算法可以分為基于特征的人臉檢測和基于圖像的人臉檢測(基于AdaBoost算法和基于神經(jīng)網(wǎng)絡(luò)的算法)。人臉檢測常用的算法有VJ(PaulViola和MichaelJones所提出的算法)人臉檢測[15].

　　3)圖像預(yù)處理。消除光照等環(huán)境因素對實驗的影響，提高圖像的清晰度，一般對人臉圖像進(jìn)行翻轉(zhuǎn)和圖像增強(qiáng)。傳統(tǒng)的圖像增強(qiáng)方法有歸一化、灰度變換、直方圖均衡化等;深度學(xué)習(xí)中，在不改變網(wǎng)絡(luò)模型的情況下，通過圖像增強(qiáng)的方法提高了分類的準(zhǔn)確性，在深度學(xué)習(xí)中常見的數(shù)據(jù)增強(qiáng)方法有幾何增強(qiáng)、色彩增強(qiáng)、mixup、隨機(jī)擦除等。

　　4)人臉關(guān)鍵點檢測。檢測人臉關(guān)鍵點，在兒童OSA診斷中也是一項重要的基礎(chǔ)任務(wù)。對于兒童OSA的面容特征，重點關(guān)注眼睛、嘴唇、鼻梁等關(guān)鍵區(qū)域。人臉關(guān)鍵點檢測大致可以分為三類：基于統(tǒng)計模型的方法，基于級聯(lián)形狀回歸的方法，基于深度學(xué)習(xí)的方法�；�于統(tǒng)計模型的方法包括點分布模型(ActiveShapeModel，ASM)[20]和形狀統(tǒng)計模型(ActiveAppearanceModel，AAM)[21]，ASM[20]把人臉關(guān)鍵點坐標(biāo)組合成形狀向量，隨后提出的AAM[21]算法加入了形狀約束，適用范圍都有所提高;基于級聯(lián)回歸的方法把關(guān)鍵點問題轉(zhuǎn)化為一個回歸問題。

　　在訓(xùn)練階段，回歸模型學(xué)習(xí)預(yù)測關(guān)鍵點的位置函數(shù)，預(yù)測時，直接用這個函數(shù)輸出關(guān)鍵點的位置坐標(biāo)。常用的人臉關(guān)鍵點檢測的個數(shù)有兩種：一種是檢測人臉上的5個關(guān)鍵點;另一種是檢測人臉上的68個關(guān)鍵點。68個人臉上的關(guān)鍵點標(biāo)記出眼睛、嘴巴、鼻子、眉毛、大致的臉部輪廓[10]。根據(jù)的兒童OSA的面容特征，可以檢測眼睛、鼻子、嘴唇上部、腮部等關(guān)鍵點，在兒童OSA的診斷中，檢測出人臉上的68個關(guān)鍵點可以更好地捕捉到兒童變化的面容特征。

　　如Dlib庫中的級聯(lián)回歸梯度下降樹(GradientBoostingDecisionTree，GBDT)[22]檢測人臉的68個關(guān)鍵點，首先在特征池中挑選兩個點，然后計算每張圖片與這兩個點之間的像素差，再隨機(jī)產(chǎn)生一個數(shù)值，如果像素差大于這個數(shù)值則向右分類，反之向左一直分裂至葉子節(jié)點，且二叉樹深度已經(jīng)確定，不斷更新回歸樹，最終輸出模型，級聯(lián)回歸的算法還有基于回歸樹的人臉對齊(EnsembleofRegressionTrees，ERT)算法等。

　　基于深度學(xué)習(xí)的方法在關(guān)鍵點檢測上表現(xiàn)優(yōu)異。如當(dāng)前在檢測人臉68個關(guān)鍵點中表現(xiàn)優(yōu)越的實用的人臉特征點標(biāo)記(PracticalFacialLandmarkDetector，PFLD)模型[23]，其在損失函數(shù)中，通過給少量樣本包括側(cè)臉、正臉、頭朝上、頭朝下、表情、遮擋等賦予更多的屬性權(quán)重，角度偏差大的樣本賦予更多的角度權(quán)重，同時將3D姿勢的估算與2D距離的測量結(jié)合起來，對于姿勢較大和遮擋的人臉圖像關(guān)鍵點識別的精度也很高。人臉關(guān)鍵點檢測的精確與否對于下一步的特征提取至關(guān)重要，人臉關(guān)鍵點檢測作為基礎(chǔ)工作中重要的一環(huán)，影響著兒童OSA預(yù)測的準(zhǔn)確度。

　　作者：趙津1，宋文愛1，邰雋2*，楊吉江3，王青3，李曉丹4，雷毅3，邱悅4

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///yxlw/28001.html