兒童阻塞性睡眠呼吸暫停計算機人臉輔助診斷綜述

所屬分類：醫學論文閱讀次時間：2021-09-02 10:27

本文摘要：摘要利用人臉圖片輔助診斷兒童阻塞性睡眠呼吸暫停(OSA)可以減輕醫生的負擔，提高診斷的準確率。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上，結合了計算機人臉輔助診斷其他疾病的方法，將計算機人臉輔助診斷兒童OSA分

　　摘要利用人臉圖片輔助診斷兒童阻塞性睡眠呼吸暫停(OSA)可以減輕醫生的負擔，提高診斷的準確率。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上，結合了計算機人臉輔助診斷其他疾病的方法，將計算機人臉輔助診斷兒童OSA分為三種方法：基于傳統的計算機人臉診斷方法、基于遷移學習的診斷方法、基于3D人臉數據的診斷方法，綜述了三種方法中的關鍵步驟，并對關鍵步驟中的方法進行了對比研究，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遇和挑戰。

　　關鍵詞人臉輔助診斷;兒童阻塞性睡眠呼吸暫停;人臉關鍵點檢測;人臉特征提取;遷移學習

兒童睡眠

　　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量，常伴有睡眠碎片和間歇性低氧血癥[2]，由OSA引發的慢性間歇性夜間低氧血癥和睡眠不足可能會導致神經行為問題、心血管疾病和精神疾病綜合癥等重大風險。

　　兒童醫學論文：兒童預防接種中應用安全預防接種護理干預的價值

　　根據調查顯示兒童OSA患病率為1.2%~5.7%[3]，我國香港地區的兒童OSA患病率為4.8%[4]。可見OSA嚴重影響兒童的身心健康，并對未來的長期健康產生深遠影響。所以，對于兒童OSA患者來說，初期發現和診斷至關重要。兒童OSA的診斷一般是通過多導睡眠圖(Polysomnography，PSG)以及針對兒科的診斷標準來實現的[5]。

　　根據文獻[6]可知，在面部特征方面，推薦重點關注腺樣體面容;文獻[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的預測中。臨床數據中一般收集人口統計學特征如身高、體重、勁圍、腹圍、臀圍和PSG檢測中的睡眠參數。在診斷時，把PSG數據中的阻塞性呼吸暫停低通氣指數(ObstructiveApnea/HypopneaIndex，OAHI)>1次/h作為兒童OSA的診斷界值指標，有利于早期發現和干預治療。

　　此外呼吸暫停低通氣指數(ApneaHypopneaIndex，AHI)、阻塞性呼吸暫停指數(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嚴重程度診斷指標，參考標準如下：1)輕度為1次/h

　　1相關領域研究現狀

　　傳統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測OSA;如Song等[10]通過提取內眥贅皮、黑素細胞痣的紋理特征，前額、鼻梁和眼睛之間的幾何特征預測特納綜合征;Schneider等[11]提取紋理和幾何特征預測指端肥大癥。

　　隨著神經網絡的發展，可利用神經網絡提取圖像中的深度特征進行輔助診斷，如Kumov等[12]使用神經網絡提取圖像的深度特征，并融合了幾何特征，來預測8種遺傳病癥，平均分類精度達到了約93%;Balaei等[9]把正臉和側臉圖像作為輸入向量，輸入到前饋神經網絡中進行分類，然后又選擇臉部特定的四個特征輸入到神經網絡中進行分類，結果顯示對于使用臉部特定位置的四個特征進行預測，與直接使用正臉和側臉圖像進行預測相比準確率有所提高。

　　傳統的診斷方法由于可供訓練的數據集較少，神經網絡不能充分地發揮其性能，遷徙學習的提出，解決了數據集短缺的問題，充分發揮了神經網絡的分類性能。遷徙學習按照遷移方案劃分，可以分為歸納遷移學習、直推式遷移學習、無監督遷移學習;如果按照遷移學習方法劃分，可以分為實例學習、基于特征表示的遷移、基于參數的遷移、基于相關性的遷移。目前使用遷移學習來診斷兒童OSA的相關研究非常有限，遷移學習可以有效地解決兒童OSA數據短缺問題。

　　與二維圖像相比，3D人臉數據包含更多的信息，可以提高診斷的準確性，也是疾病輔助診斷研究的重要領域。最先的研究是提取3D人臉數據上的局部特征進行疾病的預測，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撲數據分析方法進行分類;Wu[14]利用兒童的3D人臉數據，計算線性和角度測量值，采用三維形態計量學分析來評估高危人群和低風險人群面部特征的差異。隨著深度學習的發展，設計更加龐大復雜的神經網絡，可以提取3D人臉數據上的深度表型特征來進行輔助診斷如Kiaee等[13]的研究，3D人臉數據理論上可以捕捉到兒童臉上微小的面容變化，更好地預測兒童OSA，但由于3D人臉數據數量少，目前的研究不是很理想。

　　2兒童OSA人臉輔助診斷步驟

　　基于傳統的計算機人臉診斷方法、基于遷移學習的診斷方法、基于3D人臉數據的診斷方法中的主要步驟如下：

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

　　2)基于遷徙學習的兒童OSA輔助診斷。首先使用成熟的神經網絡在大規模人臉數據集上進行訓練，然后把經過預訓練的神經網絡模型作為人臉特征提取器，再根據目標任務調整分類器，并利用目標域的數據集進行微調來預測兒童OSA。

　　3傳統兒童

　　OSA人臉診斷傳統的兒童OSA人臉診斷主要步驟如下：

　　1)圖像獲取。一般都是在醫療機構，在統一的環境下，由專業的人員使用統一的設備進行拍攝，采集正臉和側臉的面部圖像。對于圖片的標簽可以根據文獻[6]，利用OAHI指標進行標注。2)人臉檢測。把圖像中的人臉區域裁剪出來。人臉檢測是輔助診斷中重要的基礎任務之一，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算法和基于神經網絡的算法)。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)圖像預處理。消除光照等環境因素對實驗的影響，提高圖像的清晰度，一般對人臉圖像進行翻轉和圖像增強。傳統的圖像增強方法有歸一化、灰度變換、直方圖均衡化等;深度學習中，在不改變網絡模型的情況下，通過圖像增強的方法提高了分類的準確性，在深度學習中常見的數據增強方法有幾何增強、色彩增強、mixup、隨機擦除等。

　　4)人臉關鍵點檢測。檢測人臉關鍵點，在兒童OSA診斷中也是一項重要的基礎任務。對于兒童OSA的面容特征，重點關注眼睛、嘴唇、鼻梁等關鍵區域。人臉關鍵點檢測大致可以分為三類：基于統計模型的方法，基于級聯形狀回歸的方法，基于深度學習的方法。基于統計模型的方法包括點分布模型(ActiveShapeModel，ASM)[20]和形狀統計模型(ActiveAppearanceModel，AAM)[21]，ASM[20]把人臉關鍵點坐標組合成形狀向量，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;基于級聯回歸的方法把關鍵點問題轉化為一個回歸問題。

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

　　如Dlib庫中的級聯回歸梯度下降樹(GradientBoostingDecisionTree，GBDT)[22]檢測人臉的68個關鍵點，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，再隨機產生一個數值，如果像素差大于這個數值則向右分類，反之向左一直分裂至葉子節點，且二叉樹深度已經確定，不斷更新回歸樹，最終輸出模型，級聯回歸的算法還有基于回歸樹的人臉對齊(EnsembleofRegressionTrees，ERT)算法等。

　　基于深度學習的方法在關鍵點檢測上表現優異。如當前在檢測人臉68個關鍵點中表現優越的實用的人臉特征點標記(PracticalFacialLandmarkDetector，PFLD)模型[23]，其在損失函數中，通過給少量樣本包括側臉、正臉、頭朝上、頭朝下、表情、遮擋等賦予更多的屬性權重，角度偏差大的樣本賦予更多的角度權重，同時將3D姿勢的估算與2D距離的測量結合起來，對于姿勢較大和遮擋的人臉圖像關鍵點識別的精度也很高。人臉關鍵點檢測的精確與否對于下一步的特征提取至關重要，人臉關鍵點檢測作為基礎工作中重要的一環，影響著兒童OSA預測的準確度。

　　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