TỔNG QUAN
Lý do lựa chọn đề tài
Chọn đề tài “Thiết kế hệ thống phần mềm dự đoán hộp sọ người cùng cơ mặt từ đầu người ứng dụng trong lâm sàng và giáo dục” xuất phát từ nhu cầu thực tế trong lĩnh vực y tế và giáo dục, sự tích hợp của công nghệ học sâu, và tiềm năng thương mại hóa, hứa hẹn mang lại những đóng góp quan trọng cho cả hai lĩnh vực này
Vấn đề chuẩn đoán và điều trị các bệnh liên quan về hộp sọ và cơ mặt là một lĩnh vực quan trọng trong y tế, đặc biệt là trong việc chẩn đoán và điều trị các bệnh lý liên quan
Sự phát triển của hệ thống dự đoán có thể giúp cải thiện quy trình chẩn đoán, làm tăng độ chính xác và giảm thời gian dự đoán so với các phương pháp truyền thống
Nghiên cứu này không chỉ có lợi ích trong lĩnh vực y tế mà còn mang lại giá trị đào tạo cho sinh viên y khoa và chuyên gia y tế Hệ thống có thể được sử dụng làm công cụ giảng dạy để cung cấp hiểu biết sâu sắc về cấu trúc đầu người
Nghiên cứu này có tiềm năng thương mại hóa thông qua việc tích hợp vào các mô hình kinh doanh y tế hoặc cung cấp dịch vụ cho các tổ chức y tế và giáo dục Phát triển một hệ thống hiệu quả có thể mang lại cơ hội kinh doanh và đóng góp vào sự tiến bộ của ngành y tế
Lựa chọn học sâu trong nghiên cứu đề xuất cho thấy sự tiên tiến trong công nghệ, đặc biệt là trong lĩnh vực trí tuệ nhân tạo Học sâu có khả năng học từ dữ liệu và cung cấp các dự đoán chính xác, làm tăng khả năng ứng dụng của hệ thống trong thực tế Xây dựng được hệ thống thu thập cơ sử dữ liệu về hình ảnh đầu, hộp sọ, cơ mặt.Nghiên cứu này hứa hẹn đóng góp tích cực vào cộng đồng y tế và giáo dục, cung cấp những giải pháp tiên tiến và hiệu quả cho các vấn đề cụ thể trong lĩnh vực này.
Tình hình nghiên cứu
1.2.1 Trong nước Ở Việt Nam, các nghiên cứu về dự đoán hộp sọ người cùng cơ mặt từ đầu người sử dụng lưới học sâu và kỹ thuật thống kê hồi quy đang được quan tâm và phát triển Một số đề tài nghiên cứu tiêu biểu có thể kể đến như :
-Đề tài nghiên cứu “Enhanced head-skull shape learning using statistical modeling and topological features.” Của nhóm tác giả Nguyễn Tấn Như, Trần Vi Đô,, H.-Q Nguyen, D.-P Nguyen, and T.-T Dao, Medical & Biological Engineering & Computing (2022):
Bài báo này trình bày một phương pháp máy học hình dạng đầu-hộp sọ nâng cao sử dụng mô hình thống kê và các đặc trưng tôpô Phương pháp này được áp dụng để dự đoán hình dạng hộp sọ từ hình dạng đầu, điều này có thể hữu ích cho các ứng dụng y tế như phẫu thuật phục hồi khuôn mặt và phẫu thuật chỉnh hình sọ mặt
Phương pháp được đề xuất sử dụng mô hình thống kê để học mối quan hệ giữa hình dạng đầu và hộp sọ Tuy nhiên, các mô hình thống kê thông thường không thể nắm bắt được đầy đủ mối quan hệ này do độ dày hộp sọ khác nhau ở các vùng khác nhau trên đầu Để khắc phục hạn chế này, các tác giả đã sử dụng các đặc trưng tôpô để phân loại các điểm đặc trưng trên đầu và hộp sọ thành hai vùng: vùng mặt và vùng sau đầu Các mô hình thống kê riêng biệt sau đó được huấn luyện trên hai vùng này để học mối quan hệ giữa hình dạng đầu và hộp sọ Phương pháp được đề xuất đã được đánh giá trên một tập dữ liệu gồm 329 mô hình đầu và hộp sọ được xây dựng từ hình ảnh chụp cắt lớp vi tính (CT) Kết quả cho thấy phương pháp được đề xuất có hiệu suất tốt hơn so với các phương pháp học hình dạng đầu-hộp sọ trước đây
-Đề tài nghiên cứu “Kinect-driven patient-specific head, skull, and muscle network modelling for facial palsy patients." Của nhóm tác giả T.-N Nguyen, S Dakpe, M.-C
Ho Ba Tho, and T.-T Dao,"Computer Methods and Programs in Biomedicine 200 (2021): 105846,[2]
Trang 3 Bài báo này trình bày một phương pháp xây dựng mô hình đầu, hộp sọ và lưới lưới cơ cụ thể cho bệnh nhân bị liệt mặt sử dụng Kinect Phương pháp này có thể được sử dụng để hỗ trợ chẩn đoán và điều trị liệt mặt
Phương pháp được đề xuất sử dụng Kinect để thu thập dữ liệu hình ảnh 3D của đầu bệnh nhân Dữ liệu hình ảnh này sau đó được sử dụng để xây dựng mô hình đầu, hộp sọ và lưới lưới cơ cụ thể cho bệnh nhân Mô hình này sau đó có thể được sử dụng để phân tích chuyển động cơ mặt và xác định vị trí của các dây thần kinh bị tổn thương Phương pháp được đề xuất đã được đánh giá trên một tập dữ liệu gồm 10 bệnh nhân bị liệt mặt
Kết quả cho thấy phương pháp được đề xuất có thể xây dựng các mô hình đầu, hộp sọ và lưới lưới cơ chính xác và chi tiết Các mô hình này có thể được sử dụng để hỗ trợ chẩn đoán và điều trị liệt mặt hiệu quả
-Đề tài nghiên cứu “A statistical shape modeling approach for predicting subject-specific human skull from head surface” Của nhóm tác giả T.-N Nguyen, V D Tran, H Q
Nguyen, and T T Dao,, Medical & Biological Engineering & Computing 58 (2020):
Bài báo này trình bày một phương pháp mô hình hình dạng thống kê để dự đoán hình dạng hộp sọ cụ thể của con người từ bề mặt đầu Phương pháp này có thể hữu ích cho các ứng dụng y tế như phẫu thuật phục hồi khuôn mặt và phẫu thuật chỉnh hình sọ mặt
Phương pháp được đề xuất sử dụng mô hình thống kê để học mối quan hệ giữa hình dạng đầu và hộp sọ Mô hình thống kê này được huấn luyện trên một tập dữ liệu gồm các mô hình đầu và hộp sọ được xây dựng từ hình ảnh chụp cắt lớp vi tính (CT) Sau khi được huấn luyện, mô hình thống kê có thể được sử dụng để dự đoán hình dạng hộp sọ từ bề mặt đầu Để làm điều này, đầu tiên bề mặt đầu được thu thập bằng cách sử dụng các phương pháp quét 3D như Kinect Bề mặt phầu sau của đầu đó được sử dụng làm đầu vào cho mô hình thống kê để dự đoán hình dạng hộp sọ Phương pháp được đề xuất đã được đánh giá trên một tập dữ liệu gồm 10 mô hình đầu và hộp sọ Kết quả cho thấy
Trang 4 phương pháp được đề xuất có thể dự đoán hình dạng hộp sọ chính xác với độ chính xác trung bình là 1,5 mm
-Đề tài nghiên cứu “A Deep Learning Approach for Predicting Subject-Specific Human Skull Shape from Head Toward a Decision Support System for Home-Based Facial Rehabilitation ”Của nhóm tác giả “H.-Q Nguyen, T.-N Nguyen, V.-D Tran, T.-T
Nghiên cứu này nhằm phát triển một phương pháp mới dựa trên các mô hình học sâu để tái tạo hình dạng sọ người từ đầu Quy trình chuyển đổi từ đầu sang sọ đã được phát triển và đánh giá dựa trên cơ sở dữ liệu ảnh chụp cắt lớp vi tính (CT) của 209 đối tượng
Các hình học đầu và sọ 3D được tái tạo và các đặc trưng tương ứng được trích xuất Hai mô hình học sâu (mạng nơ-ron hồi quy và bộ nhớ dài-ngắn hạn (LSTM)) đã được triển khai và đánh giá với các cấu hình học khác nhau Một xác thực chéo 10 lần được thực hiện Kết quả cho thấy mô hình học sâu hồi quy có độ chính xác cao hơn mô hình LSTM với sai số trung bình từ 1.67 mm đến 3.99 mm và độ lệch thể tích dưới 5% so với mô hình sọ dựa trên CT Nghiên cứu mở ra hướng mới cho việc tạo hình dạng sọ người nhanh chóng từ cảm biến hình ảnh, hướng tới hệ thống thị giác máy tính hỗ trợ phục hồi chức năng mặt
1.2.2 Ngoài nước Ở quốc tế, các nghiên cứu về dự đoán hộp sọ người bằng các Phương pháp khác nhau cũng đang được quan tâm và phát triển Mỗi Phương pháp đều có những ưu và nhược điểm khác nhau Một số đề tài nghiên cứu tiêu biểu có thể kể đến như:
-Đề tài “A Combined Statistical Shape Model of the Scalp and Skull of the Human Head”
Của tác giả Danckaers, F., Lacko, D., Verwulgen, S., De Bruyne, G., Huysmans, T., Sijbers, J (2018) [5]
Trong bài báo “Một mô hình hình dạng thống kê kết hợp của da đầu và sọ đầu người
”, Danckaers và cộng sự mô tả một khung để xây dựng một mô hình hình dạng thống kê kết hợp (SSM) của bề mặt ngoài của da đầu và bề mặt trong và ngoài của sọ người Mô
Trang 5 hình SSM này là công cụ quý giá trong thiết kế mũ bảo hiểm vì nó ghi lại sự biến thiên hình dạng đầu nhất định, cho phép phân tích chi tiết mối quan hệ giữa hình dạng da đầu và sọ Một mô hình SSM kết hợp của đầu có thể hỗ trợ việc phát triển các mô hình phần tử hữu hạn (FE), ví dụ cho dự đoán an toàn và thoải mái khi đeo mũ bảo hiểm Do đó, sự tương ứng giữa các bề mặt sọ và da đầu, dựa trên kết quả quét MRI được xác định thông qua đăng ký bề mặt đàn hồi Mô hình SSM kết hợp đã được chứng minh là gọn nhẹ, có khả năng tổng quát hóa cho các trường hợp chưa từng thấy bằng cách điều chỉnh các tham số hình dạng và đảm bảo tính đặc thù của hình dạng
-Đề tài “Statistical shape modelling to aid surgical planning: associations between surgical parameters and head shapes following spring-assisted cranioplasty ” Của tác giả Rodriguez-Florez, N., Bruse, J.L., Borghi, A et al [6]
Mục tiêu nghiên cứu
- Mục tiêu của đề tài là nghiên cứu tìm các phương pháp dự đoán hộp sọ và cơ mặt tối ưu
- Xây dựng một phần mềm hoàn chỉnh dự đoán hộp sọ người cùng cơ mặt từ đầu người, phần mềm có chức năng hỗ trợ xử lý dữ liệu, có chức năng quản lý dữ liệu, huấn luyện và dự đoán chính xác hộp sọ, mô phỏng chuyển động cơ mặt để hỗ trợ điều trị cho bênh nhân liệt cơ mặt có thể ứng dụng trong lâm sàng y tế và giáo dục.
Nhiệm vụ nghiên cứu
-Tìm hiểu các phương pháp dự đoán hộp sọ và cơ mặt từ hình ảnh đầu người
- Đánh giá độ chính xác các phương pháp, tối ưu hoá mô hình dự đoán hộp sọ từ hình ảnh mặt người
-Xấy dưng phần mềm hoàn chỉnh để dự đoán hộp sọ cùng cơ mặt có các chức năng xử lý dữ liệu, quản lý dữ liệu, huấn luyện mô hình, dư đoán hộp sọ và phân tích cơ mặt phục vụ cho trong lĩnh vực y học và giáo dục.
Phạm vi nghiên cứu
Trong chuyên đề trước tôi đã nghiên cứu thành công mối quan hệ giữa hình dáng phía sau đầu và hình dáng khuôn mặt Mối quan hệ này đã được sử dụng để tạo ra hình dạng đầu đầy đủ từ khuôn mặt Dựa trên phương pháp xác thực chéo mười lần với các chiến lược dự đoán khác nhau, tôi thấy rằng với mối quan hệ rõ ràng giữa phía sau đầu và khuôn mặt, độ chính xác của việc dự đoán từ khuôn mặt sang đầu có thể được cải thiện Với chiến lược dự đoán tối ưu sử dụng phương pháp hồi quy PCA, khoảng cách trung bình giữa lưới lưới dự đoán của phía sau đầu và lưới lưới thực tế của phía sau đầu là 1.15 ± 0.21 mm
Sau khi hoàn thành nghiên cứu này, tôi có ba đóng góp chính: việc loại bỏ đầu tự động mới từ các lưới đầu -và-cổ, việc lấy mẫu và phân loại đặc trưng mới cho phía sau đầu và khuôn mặt, và việc ước tính mối quan hệ từ khuôn mặt đến phía sau đầu
Và bài báo nghiên cứu với tiêu đề “A Statistical Shape Modeling Method for Predicting the Human Head from the Face “ by Vi-Do Tran, Phong-Phu Vo, Ngoc-Lan- Nhi Tran, Tien-Tuan Dao, Tan-Nhu Nguyen của tôi đã được xuất bản thành công trên Int J of Biomedical Engineering and Technology.[21]
DOI: 10.1504/IJBET.2023.10062592 Tuy nhiên chúng chưa được triển khai thành một hệ thống duy nhất hỗ trợ các ứng dụng y tế và nghiên cứu sâu hơn Hơn nữa, các nghiên cứu dự đoán từ đầu đến sọ trước đây thiếu quy trình xử lý dữ liệu tự động, phương pháp mô hình hóa hồi quy hình dạng cũng như tập dữ liệu huấn luyện
Do đó, trong đề án này tôi thực hiện tiếp phát triển một phần mềm dự đoán hoàn chỉnh hộp sọ và cơ mặt từ đầu sử dụng phương pháp hồi quy tuyến tính đa biến kết hợp phương pháp phân tích thành phần chính PCA và xử lý và tạo cơ sở dữ liệu để góp phần phục vụ công việc chẩn đoán bệnh lý của bác sỹ về phần đầu,sọ, cơ mặt dễ dàng hơn và đóng góp tập dữ liệu để phục vụ nghiên cứu giáo dục, y tế.
Phương pháp nghiên cứu
- Thu thập và nghiên cứu tài liệu, các bài báo trong và ngoài nước về các phương pháp dự đoán hộp sọ từ hình ảnh khuôn mặt, đặc biệt tập trung vào các nghiên cứu các phương pháp mô hình hoá hình dạng thống kê kết hợp với máy học trong huấn luyện và dự đoán - Phân tích, tổng hợp, mô phỏng để đưa ra kết quả và đánh giá hiệu suất của hệ thống trong các môi trường lâm sàng và giáo dục.
Nhu cầu khoa học và lâm sàng của đề tài nghiên cứu
1.7.1 Nhu cầu lâm sàng -Nhu cầu lâm sàng trong việc dự đoán hộp sọ từ hình ảnh đầu người là rất quan trọng trong lĩnh vực y học góp phần chẩn đoán và điều trị các bệnh liên quan đến não, đầu
-Mô phỏng cơ mặt giúp các bác sĩ phân tích chi tiết tình trạng của bệnh nhân và lên kế hoạch điều trị phù hợp Việc này đặc biệt quan trọng trong các trường hợp liệt cơ mặt do tai nạn hoặc phẫu thuật, nơi cần đánh giá mức độ tổn thương và tác động đến các cơ mặt
-Mô phỏng cơ mặt cũng được dùng để thiết kế các bài tập phục hồi chức năng, giúp bệnh nhân cải thiện khả năng kiểm soát cơ mặt và biểu cảm
1.7.2 Nhu cầu khoa học Việc thiếu bộ dữ liệu huấn luyện là thách thức lớn trong việc phát triển các mô hình dự đoán chính xác Việc tạo ra một tập dữ liệu mới với các đặc điểm cấu trúc liên kết của hộp sọ và đầu sẽ hỗ trợ rất nhiều cho việc nghiên cứu và phát triển các công nghệ mới
Việc áp dụng hồi quy tuyến tính đa biến và phân tích thành phần chính PCA chỉ là bước khởi đầu cho việc khai thác dữ liệu phức tạp Tiến xa hơn bằng cách nghiên cứu và phát triển các thuật toán học máy hoặc học sâu có thể nâng cao độ chính xác và hiệu quả của các mô hình dự đoán
Trong lĩnh vực giáo dục y khoa, giúp các sinh viên y khoa có cơ hội hiểu sâu hơn về cấu trúc và chức năng của hộp sọ,vị trí cơ mặt cũng như cách thức can thiệp phẫu thuật mà không gây rủi ro cho bệnh nhân
Trang 10 Các nhu cầu này đã thúc đẩy sự phát triển của nhiều công nghệ mới như phân tích hình ảnh y tế tiên tiến, công nghệ in sinh học, và vật liệu mới cho các ứng dụng y tế Những tiến bộ này không chỉ mang lại lợi ích cho bệnh nhân mà còn cho cả cộng đồng y khoa, khoa học rộng lớn.
Nội dung đề tài đề án
Chương này trình bày tổng quan sơ bộ về các yêu cầu của luận án như đặt vấn đề, các nghiên cứu đã được công bố, mục tiêu, nhiệm vụ, nội dung và giới hạn đề tài, phương pháp nghiên cứu
Chương II: Cơ sở lý thuyết : Tổng hợp kiến thức lý thuyết liên quan đến học sâu, xử lý ảnh y tế, các phương pháp giảm chiều dữ liệu hồi quy đa biến để dự đoán hộp sọ từ đầu như PCA, PLSR, công cụ viết phần mềm
Chương III: Thiết kế hệ thống:
Trình bày chi tiết về cơ sở dữ liệu, các thuật toán, phương pháp dự đoán, phương pháp đánh giá, các chức năng hệ thống như quản lý cơ sở dữ liệu đầu và sọ, xử lý và thu thập dữ liệu mới, dự đoán sọ từ đầu người, phân tích cơ mặt Trình bày sơ đồ tổng quan hệ thống phần mềm, thiết kế giao diện người dùng
Chương IV: Kết quả thực nghiệm: Đưa ra kết quả của từng phương pháp đề xuất lựa chọn phương pháp tối ưu nhất thực hiện các phương pháp đánh giá độ chính xác, trình bày kết quả về chức năng phần mềm quản lý cơ sở dữ liệu, xử lý và thu thập dữ liệu mới, dự đoán sọ từ đầu người, phân tích cơ mặt từ đó làm căn cứ để đánh giá hệ thống,
Chương V: Kết luận và hướng phát triển: Đưa ra kết luận những gì đã đạt và chưa đạt so với mục tiêu đề ra Đồng thời cũng đưa ra những đóng góp và đề xuất, định hướng phát triển của đề tài
CƠ SỞ LÝ THUYẾT
Giới thiệu về máy học
2.1.1 Vai trò của máy học Vai trò của máy học là rất quan trọng trong thời đại số hiện nay, từ việc cải thiện hiệu suất và hiệu quả cho đến tạo ra giá trị kinh tế và thúc đẩy sự tiến bộ công nghệ Đối với nhiều tổ chức và cá nhân, máy học không chỉ là một công cụ hữu ích mà còn là một yếu
Trang 12 tố quyết định trong sự thành công và phát triển Dưới đây là một số ví dụ về vai trò của máy học:
- Tăng cường hiệu quả và hiệu suất: Máy học cho phép tự động hóa nhiều nhiệm vụ trước đây đòi hỏi sự can thiệp của con người, từ xử lý dữ liệu lớn đến dự đoán xu hướng và hành vi Điều này giúp tăng cường hiệu quả và hiệu suất của các quy trình và dịch vụ
- Tạo ra sự cá nhân hóa: Máy học cho phép cá nhân hóa trải nghiệm của người dùng thông qua hệ thống gợi ý, dự đoán cá nhân hóa, và các ứng dụng khác Việc này giúp cải thiện sự hài lòng của khách hàng và tăng cường tương tác với sản phẩm và dịch vụ
- Khám phá tri thức từ dữ liệu lớn: Máy học là công cụ quan trọng trong việc phân tích dữ liệu lớn và trí tuệ nhân tạo, giúp phát hiện mẫu, quy luật và tri thức từ các tập dữ liệu phức tạp Điều này có thể dẫn đến những phát hiện mới và cải thiện quyết định trong nhiều lĩnh vực, từ y tế đến kinh doanh và khoa học
- Hỗ trợ ra quyết định thông minh: Máy học cung cấp thông tin và dự đoán hỗ trợ trong quá trình ra quyết định, từ lựa chọn sản phẩm đến dự đoán xu hướng thị trường và tài chính Điều này giúp cải thiện độ chính xác và giảm thiểu rủi ro trong quyết định kinh doanh và cá nhân
-Tạo ra giá trị kinh tế: Máy học đóng vai trò quan trọng trong việc tạo ra giá trị kinh tế, từ tăng cường hiệu suất lao động đến sáng tạo sản phẩm và dịch vụ mới Các công ty và tổ chức sử dụng máy học để tạo ra lợi ích kinh tế, cải thiện quy trình và tăng cường cạnh tranh
- Thúc đẩy sự phát triển công nghệ: Máy học là một lĩnh vực nghiên cứu và phát triển đang phát triển nhanh chóng, thúc đẩy sự tiến bộ trong các lĩnh vực liên quan như trí tuệ nhân tạo, xử lý ngôn ngữ tự nhiên, và thị giác máy tính Điều này tạo ra cơ hội mới và khuyến khích sự đổi mới trong nhiều ngành công nghiệp
Trang 13 2.1.2 Phân loại máy học
Hình 2 1 Các phương pháp máy học phổ biến hiện nay Như sơ đồ hình 2.1 được phân ra làm 3 loại máy học chính:
- Học có giám sát (Supervised Learning): Trong loại này, mô hình được huấn luyện bằng cách cung cấp cho nó cặp dữ liệu đầu vào và đầu ra tương ứng Mục tiêu là để xây dựng một mô hình dự đoán đầu ra cho các đầu vào mới mà mô hình chưa từng thấy Các ví dụ phổ biến của học có giám sát là phân loại (classification) và hồi quy (regression)
- Học không giám sát (Unsupervised Learning): Trong loại này, mô hình được huấn luyện bằng dữ liệu đầu vào mà không có nhãn hoặc đầu ra cụ thể Mục tiêu là tìm ra các cấu trúc ẩn hoặc mẫu trong dữ liệu Các ví dụ của học không giám sát bao gồm phân cụm (clustering) và giảm chiều dữ liệu (dimensionality reduction)
- Học tăng cường (Reinforcement Learning): Trong loại này, mô hình học từ môi trường bằng cách tương tác với nó và nhận phản hồi thông qua phần thưởng hoặc hình phạt
Trang 14 Mục tiêu của học tăng cường là học cách lựa chọn hành động tốt nhất để tối ưu hóa một hàm phần thưởng
2.1.3 Ứng dụng của máy học Những ví dụ sau đây chỉ là một phần nhỏ trong số rất nhiều ứng dụng của máy học trong xã hội và kinh tế hiện đại Máy học đã trở thành một công cụ quan trọng để giải quyết các vấn đề phức tạp và tạo ra giá trị đối với cộng đồng
Công nghệ nhận dạng hình ảnh và video dựa trên máy học đã cung cấp các giải pháp từ nhận diện khuôn mặt, phát hiện đối tượng đến tự động nhận dạng biển số xe Công nghệ dịch máy dựa trên máy học đã cải thiện khả năng dịch ngôn ngữ tự nhiên, giúp tạo ra các công cụ dịch hiệu quả như Google Translate Các hệ thống gợi ý trên các nền tảng trực tuyến như Netflix, Spotify, hay Amazon sử dụng máy học để dự đoán sở thích cá nhân và gợi ý nội dung hoặc sản phẩm phù hợp Các công nghệ tự lái ô tô dựa trên máy học để nhận diện và phản ứng với môi trường xung quanh, giúp giảm thiểu tai nạn giao thông và tăng tính an toàn Máy học được sử dụng trong việc phát hiện và dự đoán bệnh tật từ dữ liệu y tế, hỗ trợ trong việc phát triển dược phẩm mới và thiết kế liệu pháp cá nhân hóa Công nghệ NLP xử lý ngôn ngữ tự nhiên dựa trên máy học đã phát triển các ứng dụng từ trợ lí ảo cho đến phân tích cảm xúc trong văn bản và chatbot tự động phục vụ Công nghệ máy học được sử dụng để phát hiện gian lận tín dụng, gian lận giao dịch và các mối đe dọa an ninh mạng khác.
Giới thiệu về phương pháp PCA
Sử dụng phương pháp phân tích thành phần chính có những ưu điểm sau:
-Giảm số chiều của không gian chứa dữ liệu trong trường hợp dữ liệu có số chiều lớn và không thể thể hiện trong không gian hai hoặc ba chiều Thay vì giữ lại các trục của không
Trang 15 gian cũ, thì phương pháp PCA xây dựng hệ trục tọa độ mới, nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương và đảm bảo độ biến thiên của dữ liệu trên mỗi chiều mới
-Tạo điều kiện cho việc khám phá các liên kết dữ liệu tiềm ẩn trong không gian mới, nếu đặt chúng trong không gian cũ, chúng sẽ khó phát hiện vì chúng không thể hiện rõ
-Số lượng điểm dữ liệu cũng rất lớn sẽ gây khó khăn cho việc lưu trữ và tính toán.Vì vậy, một trong những bước quan trọng trong nhiều bài toán học máy là ta phải giảm chiều dữ liệu Giảm chiều dữ liệu cũng được sử dụng để giảm vấn đề quá khớp
2.2.1 Các bước thực hiện PCA Tính vector kỳ vọng của toàn bộ dữ liệu:
𝑥̅ là vector kỳ vọng của dữ liệu 𝑥 là điểm dữ liệu thứ n
N là số điểm dữ liệu Trừ mỗi điểm dữ liệu đi vector kỳ vọng của toàn bộ dữ liệu:
𝑥 là điểm dữ liệu thứ n đã được chuẩn hóa Tính ma trận hiệp phương sai:
S là ma trận hiệp phương sai của dữ liệu -Tính các trị riêng và vector riêng có norm bằng 1 của ma trận này, sắp xếp chúng theo thứ tự giảm dần của trị riêng
Trang 16 - Chọn K vector riêng ứng với K trị riêng lớn nhất để xây dựng ma trận UK có các cột tạo thành một hệ trực giao K vectors này, còn được gọi là các thành phần chính, tạo thành một không gian con gần với phân bố của dữ liệu ban đầu đã chuẩn hoá
Chiếu dữ liệu ban đầu đã chuẩn hoá X^ xuống không gian con tìm được
Dữ liệu mới chính là toạ độ của các điểm dữ liệu trên không gian mới
Z= 𝑈 𝑋 (2.4) Dữ liệu ban đầu có thể tính được xấp xỉ theo dữ liệu mới như sau: x≈𝑈 *Z+𝑥̅ (2.5) Các bước thực hiện PCA có thể được tóm tắt trong hình 2.2 dưới đây: Đầu tiên tính vector trung bình của dữ liệu để xác định vị trí trung tâm của dữ liệu trong không gian nhiều chiều Sau đó dữ liệu được chuẩn hóa bằng cách trừ đi vector trung bình từ mỗi điểm dữ liệu để dịch chuyển trung tâm của dữ liệu về gốc tọa độ Tiếp theo ta tính ma trận hiệp phương sai S từ dữ liệu đã chuẩn hóa để xác định mức độ cộng biến giữa các chiều dữ liệu Tính giá trị riêng và vector riêng của S: Tìm các giá trị riêng λi và vector riêng Ui của ma trận hiệp phương sai Các vector riêng này chỉ ra hướng của các thành phần chính và giá trị riêng liên quan đến độ quan trọng (tức là, mức độ phân tán dữ liệu) của các thành phần chính đó
Chọn K vector riêng với giá trị riêng cao nhất: Chọn ra K vector riêng có giá trị riêng lớn nhất Số lượng K này xác định số lượng chiều mới sau khi giảm chiều Chiếu dữ liệu vào các vector riêng được chọn: Dữ liệu gốc được chiếu vào không gian được tạo bởi K vector riêng đã chọn để tạo ra dữ liệu với số chiều thấp hơn Lấy điểm dự kiến ở chiều kích thước thấp: Cuối cùng, các điểm dữ liệu mới với số chiều thấp hơn được thu được, nơi mà chúng ta có thể thấy rằng dữ liệu đã được nén mà vẫn giữ lại mức độ biến thiên lớn nhất có thể
Trang 17 Hình 2 2 Quy trình thực hiện PCA 2.2.2 Ứng dụng của phương pháp PCA
Phương pháp phân tích thành phần chính có nhiều ứng dụng trong xử lý dữ liệu bao gồm:
Nó có thể giữ lại phần lớn thông tin mà vẫn giảm chiều dữ liệu Điều này hỗ trợ giảm độ phức tạp của dữ liệu và tăng tốc độ tính toán của các ứng dụng học máy và phân tích
Ví dụ, trong phân tích hình ảnh, PCA có thể được sử dụng để giảm chiều không gian đặc trưng mà vẫn giữ lại các đặc điểm chính của hình ảnh Được sử dụng để xem xét cách các biến trong dữ liệu tương tác với nhau Điều này giúp xác định các biến quan trọng và loại bỏ các biến không cần thiết hoặc không quan trọng
PCA có thể được sử dụng trong các bước tiền xử lý dữ liệu để làm cho các mô hình phân loại hoạt động tốt hơn Để cải thiện khả năng phân loại, nó giúp loại bỏ các đặc trưng không cần thiết và giữ lại các đặc trưng quan trọng
Trang 18 Sử dụng để nén dữ liệu mà không mất nhiều thông tin quan trọng Điều này có lợi khi dữ liệu được lưu trữ hoặc truyền tải qua mạng với băng thông hạn chế.
Giới thiệu phương pháp hồi quy bình phương nhỏ nhất từng phần PLSR
Phương pháp PLSR [11]là một phương pháp hồi quy tuyến tính sử dụng kỹ thuật bình phương nhỏ nhất từng phần (PLS) để ước lượng các hệ số hồi quy Nó cho phép dự đoán biến đầu ra từ một tập hợp các biến đầu vào Phương pháp này giả định rằng có các biến tiềm ẩn trong dữ liệu mà không thể quan sát trực tiếp, nhưng có thể được suy ra từ các biến quan sát được Thuật toán này sử dụng các thành phần tiềm ẩn này để mô hình hóa mối quan hệ giữa các biến đầu vào và biến đầu ra Mục tiêu của PLSR là tối ưu hóa sự đồng biến hóa giữa các biến đầu vào và biến đầu ra Điều này được thực hiện bằng cách tìm các thành phần tiềm ẩn nắm bắt tối đa thông tin được chia sẻ giữa các biến này
Hình 2 3 Khái quát ma trận cho đầu vào PLSR
Trang 19 Hình 2 4 Khái quát ma trận phản hồi PLSR Trong đó :
Z: là ma trận các thành phần PLS V: là ma trận tải PLS
E :là một ma trận của X -dư lượng B :là vectơ hệ số hồi quy PLS e: là một vectơ của y-dư lượng Phân tích hồi quy PLS (Partial Least Squares) là một phương pháp thống kê đa biến được sử dụng để mô hình hóa mối quan hệ giữa một tập biến dự đoán (X) và một biến phản hồi (Y) Nó tương tự như hồi quy thành phần chính (PCA) trong việc tìm các tổ hợp tuyến tính của biến đầu vào
Khác với PCA, PLS rõ ràng xem xét việc dự đoán cả X và Y Điều này có nghĩa rằng các thành phần tạo ra trong PLS được thiết kế để tối đa hóa sự đồng biến hóa giữa X và Y Mục tiêu là tìm các thành phần nắm bắt tối đa thông tin được chia sẻ giữa X và Y
PLS giả định rằng cả X và Y có thể được biểu diễn dưới dạng hàm của một số lượng giảm (k < p) các thành phần trong ma trận Z = [z1, , zk] Những thành phần này có thể được sử dụng để phân rã cả đầu vào và đáp ứng Điều này giúp giảm chiều dữ liệu, giúp giải quyết các vấn đề quá khớp và đa cộng tuyến PLS thường được thực hiện theo cách lặp Nó bắt đầu bằng một ước đoán ban đầu cho các vector trọng số w và v, sau đó lặp
Trang 20 đi lặp lại việc điều chỉnh các vector trọng số này và các thành phần z Quá trình này được lặp lại cho đến khi đạt được sự hội tụ
Về ưu điểm của phương pháp PLSR : Nó có thể xử lý dữ liệu đa biến Sử dụng để dự đoán biến phụ thuộc từ một tập hợp các biến độc lập Sử dụng để phát hiện các mối quan hệ giữa các biến
Về nhược điểm : PLSR có thể nhạy cảm với các biến độc lập có tương quan cao
Tóm lại Phương pháp PLSR là một công cụ mạnh mẽ cho việc mô hình hóa mối quan hệ giữa các biến đầu vào và biến đầu ra trong các tập dữ liệu có độ phức tạp cao
2.3.1 Các bước thực hiện PLSR Trước hết, dữ liệu đầu vào và đầu ra thường được tiêu chuẩn hóa để có giá trị trung bình bằng 0 và độ lệch chuẩn bằng 1 Xây dựng các thành phần PLS bằng cách tối ưu hóa sự tương quan giữa các biến đầu vào và biến đầu ra Mỗi thành phần PLS là một tổ hợp tuyến tính của các biến đầu vào Thành phần PLS đầu tiên (PLS1) được tạo sao cho nó tối đa hóa sự tương quan với biến mục tiêu Sau đó, thành phần PLS thứ hai (PLS2) được tạo dựa trên sự tương quan còn lại sau khi loại bỏ phần biểu thị bởi PLS1, và tiếp tục quá trình này cho đến khi xây dựng được số lượng thành phần PLS cần thiết Lựa chọn số lượng thành phần PLS dựa trên các phép thử như xác thực chéo để đảm bảo mô hình không bị quá khớp Các thành phần PLS được sử dụng để xây dựng mô hình PLSR cuối cùng để dự đoán biến đầu ra dựa trên các biến đầu vào
Mô hình PLSR có thể được đánh giá bằng cách sử dụng các chỉ số đánh giá hiệu suất như RMSE (Root Mean Square Error), R-squared, hay xác thực chéo để đảm bảo tính hiệu quả của mô hình
2.3.2 Ứng dụng phương pháp PLSR Nó có thể được sử dụng để dự đoán giá cổ phiếu bằng chỉ số tài chính hoặc dự đoán lượng năng lượng tiêu thụ dựa trên các biến độc lập như diện tích nhà hoặc số lượng thiết bị điện tử PLSR là một phương pháp hiệu quả để tìm và mô hình hóa các mối quan hệ phức tạp giữa các biến PLSR, ví dụ, có thể được sử dụng trong kinh doanh để xác
Trang 21 định mối quan hệ giữa doanh số bán hàng và chi phí tiếp thị Được sử dụng để dự đoán các xu hướng và biến động trong dữ liệu chuỗi thời gian, chẳng hạn như dự đoán doanh số bán hàng hàng tháng dựa trên các yếu tố kinh tế
Sử dụng để phân tích dữ liệu đặc trưng và xây dựng mô hình dự đoán hoặc phân loại trong các lĩnh vực như xử lý tín hiệu và xử lý ảnh Dùng để xác định mối quan hệ phức tạp giữa nhiều biến trong dữ liệu có cấu trúc phức tạp Điều này giúp người ta hiểu rõ hơn về dữ liệu.
Giới thiệu phương pháp Non-rigid Scaling
Phương pháp này dựa trên giả định rằng các điểm của một đối tượng trong ảnh có thể được mô hình hóa bằng một hàm phi tuyến, được gọi là mô hình khớp Mô hình khớp này có thể được học từ một tập dữ liệu các đối tượng có kích thước khác nhau Sau đó, để thực hiện việc thay đổi kích thước của một đối tượng trong ảnh, phương pháp Non- rigid Scaling sử dụng mô hình khớp đã học để ánh xạ các điểm của đối tượng trong ảnh gốc sang các điểm của đối tượng trong ảnh đã được thay đổi kích thước Quá trình ánh xạ này được thực hiện bằng cách tối ưu hóa một hàm mục tiêu, thường nhằm mục đích giảm thiểu sự khác biệt giữa các điểm của đối tượng trong ảnh gốc và các điểm của đối tượng trong ảnh đã được thay đổi kích thước Điều này đảm bảo rằng việc biến đổi hình dạng diễn ra một cách mềm dẻo và không làm mất đi thông tin quan trọng của đối tượng trong hình ảnh
2.4.1 Các bước thực hiện phương pháp Non-rigid Scaling Trước khi thực hiện Non-rigid Scaling, ảnh cần được chuẩn hóa bằng cách loại bỏ nhiễu và cân bằng độ sáng để tăng tính đồng nhất và giảm các ảnh hưởng tiêu cực lên quá trình xử lý sau này Để thực hiện Non-rigid Scaling, một mô hình khớp được tạo ra
Trang 22 bằng cách sử dụng tập dữ liệu các đối tượng có kích thước khác nhau Mô hình này được sử dụng để ánh xạ các điểm giữa các phiên bản của đối tượng.Mô hình khớp được sử dụng để ánh xạ các điểm của đối tượng trong ảnh gốc sang các điểm trong ảnh đã được thay đổi kích thước Dựa trên các điểm đã được ánh xạ, kích thước của ảnh được điều chỉnh để tạo ra phiên bản biến đổi của đối tượng ban đầu
Có nhiều kỹ thuật khác nhau, bao gồm dựa trên khớp, dựa trên biến dạng và dựa trên chuyển động, mỗi kỹ thuật đều có ưu điểm và ứng dụng riêng Mục tiêu của Non-rigid Scaling là tạo ra một phiên bản biến đổi của đối tượng ban đầu sao cho nó phù hợp với mục tiêu cụ thể của quá trình xử lý hình ảnh, như việc điều chỉnh vùng quan tâm để phù hợp với tiêu chí nhận dạng Để đảm bảo hiệu quả của phương pháp Non-rigid Scaling, cần thực hiện thử nghiệm và đánh giá bằng cách sử dụng các chỉ số đo lường hiệu suất và thực hiện thử nghiệm trên dữ liệu thực tế hoặc tự tạo.
Phương pháp tối ưu hóa hình dạng thống kê
Mô hình hình dạng thống kê (Statistical Shape Model ) [12] dựa trên dữ liệu từ một tập dữ liệu lớn về hình dạng của đối tượng Mô hình này biểu diễn sự biến thiên trong hình dạng của đối tượng dưới dạng phân phối thống kê
Mô hình SSM cũng là một phương pháp thống kê được sử dụng để mô hình hóa độ biến dạng của hình dạng đối tượng Nó được áp dụng trong nhiều lĩnh vực khác nhau như hình ảnh y học, xử lý hình ảnh và các lĩnh vực khác để mô hình hóa biến đổi hình dạng và thực hiện các công việc như phân loại, nhận dạng hoặc tạo ra biểu đồ hình dạng
Trang 23 2.5.1 Các bước xây dựng mô hình SSM Để xây dựng mô hình SSM, cần một tập dữ liệu chứa các biến thể hình dạng của đối tượng quan tâm Dữ liệu này có thể bao gồm các điểm đánh dấu trên hình dạng của đối tượng (ví dụ: các điểm trên khuôn mặt), và mỗi mẫu dữ liệu trong tập dữ liệu chứa tọa độ của các điểm đánh dấu này Sau khi có dữ liệu hình dạng, mô hình SSM sử dụng các phương pháp thống kê như phân tích thành phần chính PCA để tạo ra mô hình thống kê của hình dạng Mô hình này mô tả cách biến đổi hình dạng từ một trạng thái trung bình và các biến thể từ trạng thái trung bình này Mô hình SSM có thể biểu diễn dưới dạng một bộ các hệ số thống kê, thường được gọi là "modes" hoặc "eigenvectors," mô tả cách biến đổi hình dạng Các mode này biểu diễn biến đổi hình dạng chính trong dữ liệu và được sắp xếp theo mức độ quan trọng Đánh giá mức độ biến thiên được giải thích bởi mỗi thành phần chính Xác định các thành phần quan trọng nhất mà cần được giữ lại để tái tạo một cách hiệu quả hình dạng của đối tượng
Sử dụng các phương pháp đánh giá như cross-validation để đánh giá hiệu suất của mô hình.Đảm bảo rằng mô hình có khả năng tái tạo và biểu diễn chính xác các biến thể của hình dạng
2.5.2 Ứng dụng trong tối ưu hóa hình dạng Trong lĩnh vực tối ưu hóa hình dạng, mô hình SSM được áp dụng để điều chỉnh hình dạng của đối tượng dựa trên các ràng buộc hoặc tiêu chí cụ thể Dưới đây là một số ứng dụng cụ thể của mô hình SSM trong tối ưu hóa hình dạng:
Mô hình SSM có thể được sử dụng trong quá trình nhận dạng khuôn mặt, nơi các đặc trưng khuôn mặt của mỗi người được so sánh với các biến thể được biểu diễn bởi mô hình SSM để xác định danh tính của họ
Ngoài ra có thể được sử dụng để thích nghi hình dạng của đối tượng với một mục tiêu cụ thể, như tạo ra một biểu đồ hình dạng gần giống với một hình ảnh mục tiêu Việc này có thể được thực hiện bằng cách điều chỉnh các hệ số thống kê của mô hình SSM để đạt được hình dạng mong muốn
Trang 24 Trong FLAME cho phép người dùng tương tác và chỉnh sửa các mô hình mặt 3D của con người một cách trực quan Người dùng có thể sử dụng các thanh trượt để điều chỉnh các đặc trưng khuôn mặt của mô hình, chẳng hạn như kích thước và hình dạng của mắt, mũi và miệng.
Giới thiệu công cụ thiết kế giao diện người dùng Qt
Visual Studio, IDE phổ biến cho phát triển ứng dụng Windows, cung cấp một phần mở rộng (extension) cho Qt để hỗ trợ phát triển ứng dụng Qt trong môi trường Visual Studio
Hình ảnh 2.5 mô tả cấu trúc tích hợp giữa Qt, một framework phát triển ứng dụng, với hệ thống build của Visual Studio và MSBuild
Hình 2 5 Mô tả cấu trúc của một project visual sử dụng Qt
Trang 25 Quy trình này mô tả cách thức tự động quá trình tích hợp giữa Qt và VS/MSBuild, cho phép các nhà phát triển sử dụng các tính năng của Qt trong môi trường Visual Studio và tự động quá trình biên dịch và build ứng dụng
Qt Settings: Đây là cấu hình ban đầu cho Qt, bao gồm phiên bản và các module được sử dụng Cấu hình này được sao chép vào dự án Visual Studio và là cố định cho tất cả các cấu hình build (ví dụ: Debug, Release)
VS Project: Dự án Visual Studio sử dụng cài đặt từ Qt Trong dự án này, có các chỉ dẫn để xử lý và biên dịch header files thông qua moc (Meta-Object Compiler) của Qt
Moc là một công cụ của Qt dùng để xử lý các macro Q_OBJECT trong code C++, tạo ra các file nguồn được biên dịch cùng với mã nguồn C++ thông thường
Generated C++: Kết quả của quá trình moc là các file C++ được sinh ra, với các cấu hình riêng cho Debug và Release Mỗi cấu hình có các thiết lập tối ưu hóa và cảnh báo riêng, như tối ưu hóa cho phép và cấp độ cảnh báo khác nhau cho mỗi cấu hình
MSBuild: Cuối cùng, MSBuild - hệ thống build của Microsoft - sử dụng các target (mục tiêu) để biên dịch các file C++ vào các thư viện hoặc các file thực thi MSBuild quản lý quy trình này thông qua các target moc và target cho biên dịch C++
Các cài đặt từ Qt được sao chép sang dự án Visual Studio và không thể thay đổi được trong quá trình sinh mã C++ Cùng một lựa chọn module Qt được sử dụng cho tất cả các cấu hình Không thể ghi đè các thuộc tính của C++ đã sinh ra từ quá trình moc
THIẾT KẾ HỆ THỐNG
Yêu cầu thiết kế hệ thống
Nghiên cứu đề xuất sử dụng phương pháp mô hình hình dáng thống kê kết hợp với hồi quy tuyến tính đa biến [19] để dự đoán đầu người từ khuôn mặt, sau đó dự đoán hộp sọ từ hình dạng đầu, sau đó dự đoán được mạng lưới cơ mặt Về phương pháp thực hiện dự đoán hình dạng đầu và họp sọ chúng tôi đã công bố trên tạp chí [21]
Dữ liệu được thu thập từ hình ảnh CT đầu cổ và sử dụng để tái tạo lưới đầu cổ Mối quan hệ từ các đặc trưng khuôn mặt đến các đặc trưng phần sau của đầu đã được nghiên cứu dựa trên bốn chiến lược: tỷ lệ biến dạng không đàn hồi, tối ưu hóa SSM, hồi quy bình phương nhỏ nhất từng phần PLSR và hồi quy phân tích thành phần chính PCA
Một quy trình thử nghiệm chéo mười lần đã được thực hiện để lựa chọn số lượng thành phần tối ưu cho các chiến lược dự đoán PLSR và PCA và để lựa chọn chiến lược huấn luyện tối ưu Sau khi dự đoán được hình dạng đầu đầy đủ từ hình ảnh khuôn mặt, tiếp theo dự đoán hộp sọ từ hình dạng đầu sử dụng phương pháp hồi quy tuyến tính đa biến
Sơ đồ tổng quan quy trình dự đoán hình dạng đầu từ hình ảnh khuôn mặt
Hình 3 1 Các bước xử lý tổng thể của quy trình dự đoán hình dạng đầu từ khuôn mặt Quy trình tổng thể của dự đoán hình dạng đầu đầy đủ thể hiện như hình 3.1 gồm bốn bước chính:
-Thu thập dữ liệu và tái tạo lưới đầu cổ: Dữ liệu CT được thu thập từ bộ dữ liệu hình ảnh CT đầu cổ từ kho dữ liệu hình ảnh ung thư TCIA, chứa hình ảnh CT của nhiều bệnh nhân, bao gồm cả những người có hình dáng đầu bình thường Các bộ hình ảnh CT này đã được lựa chọn để bao phủ toàn bộ khu vực đầu và cổ Sau đó, các lưới đầu cổ đã được tái tạo từ các hình ảnh CT này
-Xử lý dữ liệu: Bước này nhằm chuẩn bị các lưới đầu cổ cho việc phân tích tiếp theo
Quá trình này bắt đầu bằng việc ước tính một kế hoạch cắt cho mỗi lưới đầu cổ đã xử lý, quyết định cách mà lưới sẽ được chia thành đầu và cổ Sau đó, tôi đã lấy mẫu các lưới đầu cổ bằng cách sử dụng tia lấy mẫu phía sau đầu và tia lấy mẫu khuôn mặt để trích
Trang 28 xuất các đặc trưng cụ thể từ đầu Đặc trưng được trích xuất bằng tia lấy mẫu khuôn mặt được gọi là đặc trưng khuôn mặt, trong khi các đặc trưng được trích xuất bằng tia lấy mẫu phía sau đầu được gọi là đặc trưng đầu phía sau
-Xác thực chéo: đã tiến hành quá trình thử nghiệm chéo mười lần để lựa chọn chiến lược dự đoán tối ưu và các tham số tương ứng
Chiến lược dự đoán đầu tiên là tỷ lệ biến dạng của lưới đầu mẫu để phù hợp tối ưu với lưới khuôn mặt mục tiêu Ma trận biến dạng tỷ lệ được ứng dụng vào các đặc trưng đầu phía sau để tạo ra các đặc trưng đầu cụ thể cho từng đối tượng
Chiến lược dự đoán thứ hai là tối ưu hóa các tham số của mô hình đầu FLAME để phù hợp tốt nhất với các đặc trưng khuôn mặt mục tiêu Các đặc trưng đầu phía sau bị biến đổi sẽ là các đặc trưng đầu phía sau dự đoán
Chiến lược dự đoán thứ ba là sử dụng PLSR để trực tiếp hồi quy các đặc trưng đầu phía sau từ các đặc trưng khuôn mặt
Chiến lược dự đoán thứ tư là sử dụng PCA để phân tích biến thể hình dáng của các đặc trưng khuôn mặt và các đặc trưng đầu phía sau Tôi cũng sử dụng hồi quy tuyến tính đa biến để huấn luyện các mối quan hệ giữa các tham số PCA của các đặc trưng khuôn mặt và các tham số PCA của các đặc trưng đầu phía sau
-Đánh giá độ chính xác, tôi đã so sánh các đặc trưng đầu phía sau được dự đoán với các đặc trưng thực tế dựa trên chỉ số khoảng cách giữa lưới và lưới Lưu ý rằng các đặc trưng đầu phía sau được dự đoán và thực tế đã được chuyển thành lưới trước khi so sánh So sánh được tiến hành thông qua xác thực chéo mười lần trên tập dữ liệu kiểm tra Các đặc trưng đầu được dự đoán, được hình thành bởi các đặc trưng khuôn mặt thực tế và các đặc trưng đầu phía sau được dự đoán, cũng được so sánh với các đặc trưng đầu thực tế dựa trên các chỉ số được lựa chọn Sự khác biệt về thể tích giữa các lưới đầu dự đoán và lưới đầu thực tế cũng được đánh giá.
Chuẩn bị dữ liệu
Trang 29 Một trong những nhiệm vụ quan trọng nhất để giảm độ phức tạp của biến đổi hình dáng đầu và phía sau đầu là chuẩn hóa quy trình tạo dữ liệu
Hình 3 2 Tái tạo lưới đầu & cổ 3-D từ ảnh CT và ước tính kế hoạch cắt
(a) thu thập các bộ ảnh CT từ cơ sở dữ liệu hình ảnh CT đầu và cổ, (b) phân đoạn các lát cắt CT và tái tạo lại các mắt lưới đầu và cổ, (c) loại bỏ các ngoại lệ và ước tính hình dạng đầu và cổ, và (d) ước tính kế hoạch cắt
Trong việc thu thập hình ảnh CT như Hình 3.2, tôi đã thu thập 329 bộ hình ảnh CT của các đối tượng người Canada (Nam: 265, Nữ: 64) có hình dáng đầu bình thường.Cơ sở dữ liệu đã chọn là The Cancer Imaging Archive (TCIA)[13]
Trong cơ sở dữ liệu này, tôi chỉ chọn các bộ hình ảnh có khu vực đầu và cổ đầy đủ trên hai tập dữ liệu chính: Head-Neck-PET-CT và Head and Neck Cancer CT Atlas dataset (HNSCC)
Trang 30 Tuổi của các đối tượng là (Trung bình ± Độ lệch chuẩn) 61,09 ± 10,57 tuổi
Với các độ tuổi này, hình dáng đầu được chọn không phụ thuộc nhiều vào giá trị tuổi
Trong tập dữ liệu đầu tiên, các đối tượng đã có các ảnh CT PET/CT, RT và CT trong định dạng DICOM với kích thước ảnh 515×512 và độ dày lát cắt (Trung bình ± Độ lệch chuẩn) 2,7786 ± 0,5350 mm Số đăng ký đạo đức của tập dữ liệu này là MM-JGH-CR15- 50, được phê duyệt bởi Ủy ban Đạo đức Nghiên cứu của Trung tâm Y tế Đại học mcgill
Trong tập dữ liệu thứ hai, các đối tượng đã có ảnh CT PET-CT hoặc CT với kích thước ảnh 515×512 và độ dày lát cắt (Trung bình ± Độ lệch chuẩn) 3,0294 ± 0,3989 mm Tập dữ liệu này đã được phê duyệt bởi Trung tâm Ung thư MD Anderson của Đại học Texas với số đăng ký: P30 CA016672
Trong việc phân đoạn và tái tạo hình ảnh CT đầu cổ như Hình 3.2b đối với mỗi bộ hình ảnh được chọn của các đối tượng, tôi đã trước tiên phân đoạn từng lát cắt một một cách tự động bằng cách chọn một ngưỡng sao cho khu vực đã phân đoạn chứa cả mô mềm và mô cứng của đầu Sau khi phân đoạn, tôi đã chia lát phân đoạn thành khối lưới 3D của các khu vực đầu và cổ Thuật toán marching cube cũng đã được sử dụng cho việc tái tạo lưới bề mặt Quá trình phân đoạn hình ảnh CT chia lát phân đoạn và tái tạo lưới bề mặt đã được hỗ trợ bởi phần mềm 3-D Slicer [14]
Trong việc xử lý sau lưới bề mặt đầu cổ như Hình 3.2c các khối lưới đầu cổ đã tái tạo vẫn còn có những điểm ngoại lệ bên trong và bên ngoài bề mặt đầu Đối với mỗi khối lưới đầu cổ, tôi trước tiên đã loại bỏ điểm ngoại lệ nhỏ bằng cách chỉ giữ lại khối lưới bề mặt lớn nhất Giá trị kích hoạt môi trường cũng được tính toán cho mỗi đỉnh Một ngưỡng giá trị kích hoạt môi trường đã được chọn thử nghiệm sao cho chỉ có các đỉnh bên trong được chọn
Các đỉnh đã chọn được loại bỏ khỏi khối lưới đầu cổ Lưới bề sau đầu xử lý vẫn còn một số khu vực lõm trên tai và mũi nên tôi đã ước tính hình dáng đầu cổ từ các khối lưới đầu cổ này Đầu tiên, tôi ước tính lưới lồi của lưới ban đầu.Thứ hai, lưới lưới lồi đã được chia lưới lại bằng cách bảo toàn độ đồng đều và các đỉnh đã làm lại được chiếu lên đỉnh
Trang 31 gần nhất trên lưới ban đầu Các kỹ thuật xử lý lưới trên đã được hỗ trợ bởi phần mềm MeshLab
Trong việc ước tính kế hoạch cắt, như được thể hiện trong Hình 3.2d, đối với mỗi hình dáng đầu cổ, tôi đã chọn thủ công các điểm đặc trưng trên các khu vực mặt trước, đỉnh đầu, mặt bên và phía sau Một lưới đầu FLAME mẫu với các điểm đặc trưng thích hợp cũng đã được chọn Tôi biến dạng lưới đầu FLAME mẫu theo lưới đầu cổ bằng cách điều chỉnh các thông số hình dáng và biểu cảm của mô hình FLAME để làm giảm thiểu sự khác biệt từ điểm này sang điểm khác giữa các điểm đặc trưng đã được chọn thủ công trên lưới đầu cổ và các điểm trên lưới đầu FLAME
Hơn nữa, tôi cũng đã làm rõ việc biến dạng bằng cách làm giảm thiểu sự khác biệt từ điểm này sang điểm khác giữa các đỉnh lưới đầu FLAME sau khi biến dạng và các điểm gần nhất của chúng trên hình dáng đầu cổ Kế hoạch cắt được hình thành bằng một lưới tam giác Ba đỉnh của kế hoạch cắt đã được xác định trước trên cấu trúc FLAME, để có thể được ánh xạ vào lưới đầu FLAME đã biến dạng.Trong quá trình cắt hình dáng đầu, như được thể hiện trong Hình 3.3 với kế hoạch cắt được ước tính và hình dáng đầu và cổ Hình 3.3a, tôi cắt hình dáng đầu và cổ để chỉ giữ lại hình dáng đầu Thuật toán cắt lưới được sử dụng là thư viện MCUT, nhanh chóng và đáng tin cậy
Hình 3 3 Cắt lưới ở đầu và cổ để chỉ giữ lại vùng đầu
Trang 32 (a) kế hoạch cắt ước tính để cắt lưới đầu và cổ, (b) cắt lưới đầu cổ để chỉ giữ lại vùng đầu, và (c) chia lưới lại các mắt lưới đầu theo phương pháp đẳng cự
Sau khi được cắt, cấu trúc bề mặt của hình dáng đầu không còn đồng đều như Hình 3.3b Do đó, tôi phải tiến hành chia lưới lại lưới đầu theo cách đồng đều để lưới đầu sau khi chia lưới lại có cùng số đỉnh với lưới đầu gốc như Hình 3.3c Các hình dáng phần sau của đầu khi chia lưới lại và cắt gọi là các lưới đầu, đã sẵn Sàngg cho các bước xử lý sau
3.3.2 Lấy mẫu hình dáng đầu trước và phần sau đầu
Các tia mẫu hình dáng đầu và phần sau đầu nên được xác định trước tiên Hình 3.4 mô tả chi tiết các bước của việc xác định này Cụ thể, tôi đã sử dụng một lưới đầu và cổ FLAME mẫu cho quy trình này như Hình 3.4a Tôi chỉ lựa chọn phần đầu trên lưới đầu FLAME bằng cách cắt lưới thủ công như Hình 3.4b
Sau khi cắt, lưới đầu FLAME vẫn còn một số lỗ trên khu vực miệng và mũi, vì vậy tôi chỉ lựa chọn các điểm đặc trưng cần thiết và đóng các lỗ này như Hình 3.4c Lưới đầu FLAME sau khi đóng lỗ sau đó được chia lưới lại lưới theo cách đồng đều để có số lượng đỉnh mục tiêu
Trong nghiên cứu này, tôi đã chọn số đỉnh là 50.117 điểm như Hình 3.4d
Các phương pháp thực hiện
Trong chiến lược dự đoán này như minh họa trong Hình 3.6, tôi đơn giản là biến đổi một lưới đầu mẫu để phù hợp với các đặc trưng khuôn mặt mục tiêu dựa trên các biến đổi rigid và Non-rigid
Trang 35 Lưới đầu và cổ FLAME mẫu đã được sử dụng trong chiến lược này Đầu tiên, phương pháp Singular Value Decomposition (SVD) được sử dụng để ước tính biến đổi cứng từ các đặc trưng khuôn mặt trên lưới đầu FLAME mẫu đến các đặc trưng khuôn mặt mục tiêu Sau đó, phương pháp đăng ký Coherent Point Drift (CPD) được sử dụng để ước tính biến đổi affine từ các đặc trưng khuôn mặt đã biến đổi trên lưới đầu và cổ FLAME mẫu đến các đặc trưng khuôn mặt mục tiêu Biến đổi cứng dựa trên SVD và biến đổi affine dựa trên CPD sau đó được áp dụng vào lưới đầu và cổ FLAME mẫu Cuối cùng lưới đầu đầy đủ được dự đoán bằng các đặc trưng phần đầu gáy trên lưới đầu và cổ FLAME mẫu đã biến đổi và các đặc trưng khuôn mặt mục tiêu
Hình 3 6 Dự đoán đầu từ khuôn mặt dựa trên chiến lược Non-rigid scaling
3.4.2 Chiến lược tối ưu hóa hình dạng thống kê Trong chiến lược dự đoán này, tôi sử dụng mô hình FLAME như mô hình hình dạng thống kê Chiến lược dự đoán khuôn mặt-đầu được minh họa trong Hình 3.7
Trang 36 Cụ thể, chúng ta đầu tiên khởi tạo giới tính của mô hình FLAME dựa trên giới tính của đối tượng mục tiêu Các tham số về tư thế, hình dạng và biểu cảm của mô hình FLAME được điều chỉnh để giảm thiểu khoảng cách từ điểm đến điểm giữa các đặc trưng được chọn thủ công trên khuôn mặt của đầu FLAME và các đặc trưng khuôn mặt mục tiêu
Hình 3 7 Dự đoán đầu từ khuôn mặt dựa trên chiến lược tối ưu hóa FLAME
Sau quá trình tối ưu hóa này, chúng ta có lưới đầu và cổ FLAME đã biến đổi thô Các tham số này tiếp tục được điều chỉnh để giảm thiểu sự khác biệt từ điểm đến điểm giữa các đặc trưng khuôn mặt FLAME đã biến đổi thô và các đặc trưng khuôn mặt mục tiêu
Cuối cùng, lưới đầu được dự đoán được hình thành bởi các đặc trưng phần đầu gáy đã biến đổi tinh tế trên lưới đầu và cổ FLAME và các đặc trưng khuôn mặt mục tiêu Cấu
Trang 37 trúc bề mặt của lưới đầu dự đoán là cấu trúc bề mặt của lưới đầu mẫu cùng một số lượng đỉnh như lưới đầu ban đầu
3.4.3 Chiến lược dự đoán dựa trên hồi quy PLSR Quy trình dự đoán và huấn luyện tổng thể được mô tả trong Hình 3.8 Các đặc trưng sau đầu và sau đầu lần đầu tiên được chuyển đổi thành khoảng cách mặt và mặt sau
Những đặc trưng này được hình thành dưới dạng phương trình 1,2
Trong đó 𝑩 là đặc trưng sau đầu của chủ thể thứ i 𝑭 là đặc trưng khuôn mặt của đối tượng thứ i 𝑥 là điểm đặc trưng sau đầu thứ k trong số M đặc trưng sau đầu 𝑥 là điểm đặc trưng khuôn mặt 3-D thứ k trong số N đặc trưng khuôn mặt
Trong nghiên cứu này, M4.050 (điểm) và N.067 (điểm) S là số lượng đối tượng được thu thập Trong nghiên cứu này, S29 (đối tượng)
Khoảng cách từ phía sau và mặt được tính bằng phương trình 3,4,5
Trang 38 Trong đó 𝑫 là khoảng cách từ phía sau của đối tượng thứ i 𝑫 là khoảng cách khuôn mặt của đối tượng thứ i c là điểm trọng tâm của 𝑫 và 𝑫 𝑑 là khoảng cách từ phía sau thứ k của đối tượng thứ i 𝑑 là khoảng cách khuôn mặt thứ k của đối tượng thứ i.Sử dụng phương pháp PLSR, tôi tạo tập dữ liệu huấn luyện dưới dạng phương trình 6,7
Trong đó X và Y là ma trận dữ liệu đầu vào và đầu ra của tập dữ liệu huấn luyện T là số lượng đối tượng trong tập dữ liệu huấn luyện Trong nghiên cứu này, tôi chọn 80% đối tượng thu thập được làm tập dữ liệu huấn luyện nên T&3
Trong hồi quy tuyến tính đa biến, mối quan hệ giữa X và Y được minh họa trong biểu thức số 8
Y=XA+ε (8) Kích thước của ma trận đầu vào và đầu ra được giảm xuống thành số lượng thành phần α như được mô tả trong các phương trình 9, 10
𝑿 = 𝑻𝑷 + 𝑬 = ∑ 𝒕 𝒑 ′ + 𝑬 (9) 𝒀 = 𝑼𝑸 + 𝑭 = ∑ 𝒖 𝒒 ′ + 𝑭 (10) Trong các phương trình 7-10, A là ma trận hệ số của hồi quy tuyến tính đa biến ε là ma trận lỗi T và 𝑷 là ma trận tính điểm và tải của ma trận đầu vào X U và Q' là ma trận tính điểm và tải của ma trận đầu ra Y 𝒕 , 𝒑 ′, 𝒖 , và 𝒒 ′ được ước tính dựa trên thuật toán NIPALS (Lorber và cộng sự, 1987) Mối quan hệ giữa 𝒕 và 𝒖 mô tả mối
Trang 39 quan hệ bên trong giữa 𝑿 và 𝒀 Trong PLSR, 𝒖 = 𝒂𝒕 + 𝝐 và các hệ số mô hình bên trong a được lập luận sao cho mối tương quan giữa X và Y được mô tả tốt nhất
Hình 3 8 Dự đoán đầu từ khuôn mặt dựa trên chiến lược PLSR
Trong nghiên cứu này, tôi đã sử dụng phương pháp hạt nhân cổ điển dựa trên PLSR (Lindgren và cộng sự, 1993) để ước tính ma trận hệ số mô hình, A, trong biểu thức (7)
Vị trí dự đoán của các đặc trưng phía sau được tính bằng biểu thức 10
𝒙 𝒄 𝒙 ∈ ℝ , 𝑦 ∈ ℝ, 𝑘 = 1, … , 𝑀 , 𝑖 = 1, … , 𝐿 (11) Trong đó, 𝑩 chứa các đặc trưng sau đầu được dự đoán thứ i trên tập dữ liệu thử nghiệm 𝑦 là khoảng cách từ đầu dự đoán thứ k của đối tượng thứ i trên tập dữ liệu thử
Trang 40 nghiệm Trong nghiên cứu này, 20% đối tượng được thu thập làm tập dữ liệu thử nghiệm, do đó Lf 𝒄 đã được xác định và tính toán trong biểu thức số 5
Chức năng tổng thể của hệ thống phần mềm dự đoán hộp sọ cùng cơ mặt
Hình 3 10 Mô tả các chức năng tổng thể của khung dự đoán từ đầu đến sọ Hệ thống bao gồm (a) xử lý dữ liệu, (b) huấn luyện mô hình từ đầu đến sọ, (c) dự đoán từ đầu đến sọ và (d) chức năng phân tích cơ mặt
3.6.1 Xử lý dữ liệu Trong chức năng xử lý dữ liệu, hệ thống có đầu vào là lưới đầu và hộp sọ được tái tạo từ hình ảnh y tế CT, MRI Hệ thống có thể xuất ra hình dạng đầu và hộp sọ trên vùng đầu với nhiều độ phân giải và ROI khác nhau
3.6.2 Huấn luyện mô hình từ đầu tới sọ Trong quá trình mô hình từ đầu đến sọ, hệ thống đã huấn luyện mối quan hệ giữa hình dạng đầu và hộp sọ với độ phân giải đã chọn, tỷ lệ phần trăm dữ liệu huấn luyện và kiểm tra, số thành phần chính PCA Hệ thống bắt đầu sử dụng dữ liệu đã được xử lý để huấn
Trang 45 luyện một mô hình dự đoán hình dạng sọ từ hình dạng đầu bằng phương pháp hồi quy PCA
3.6.3 Dự đoán từ đầu tới sọ Trong chức năng dự đoán từ đầu đến sọ, một lưới đầu và cổ mới có thể được đưa vào hệ thống chính Hệ thống hỗ trợ giao diện để chọn các điểm đặc trưng trên lưới đầu có tất cả 16 điểm đặt trưng trước mặt,mắt mũi, cằm, tai ,sau đầu và đỉnh đầu Hộp sọ có thể được dự đoán tự động từ lưới đầu
3.6.4 Phân tích cơ mặt Trong chức năng phân tích cơ, dựa trên đầu được nhập vào và các lưới hộp sọ được dự đoán, hệ thống có thể xác định mạng lưới cơ mặt Hơn nữa, lưới đầu có thể được tạo hình động và độ căng của cơ có thể được tính toán và lập biểu đồ theo thời gian thực trong quá trình hoạt hình đầu và cơ mặt ở trạng thái bình thường và các biểu cảm khác nhau.
Thiết kế giao diện người dùng phần mềm
Giao diện đồ họa người dùng (GUI) của hệ thống được mô tả trong hình 3.11 Đặc biệt, tôi đã thiết kế hệ thống với thanh menu , thanh công cụ, thanh trạng thái, màn hình hình ảnh chính, màn hình hình ảnh mô phỏng và màn hình hình ảnh phân tích cơ
Menu bar: Thanh menu chứa các menu Tệp, Chỉnh sửa và Tùy chọn để bắt đầu các chức năng cụ thể :
-Toolbar : Thanh công cụ chứa các nhóm nút chức năng để xử lý dữ liệu, dự đoán từ đầu đến sọ, quản lý tập dữ liệu và chức năng phân tích mạng cơ mặt
- Main Visual Screen: Vùng này hiển thị giao diện chính và hiển thị tên đề tài "Skull and Muscle Network Prediction from the Head" cùng với thông tin chi tiết về dự án, bao gồm tên các tác giả, tổ chức liên quan và thông tin liên hệ Và cũng là vùng chính hiển thị mô hình hình dạng 3D của đầu sọ trong quá trình thực thi hệ thống như thu thập xử lý, huấn luyện, dự đoán phần đầu và hộp sọ
Trang 46 - Muscle Analysis Visual Screen: Phía dưới khung Mimic Analyzer là màn hình trực quan phân tích cơ hiển thị biểu đồ cột được gọi là "Muscle Analyzer" Phân tích tình trạng căng cơ ở ba trạng thái khác nhau, trung tính, mỉm cười, khi hôn
- Status Bar: Ở dưới cùng của giao diện là thanh trạng thái hiển thị các thông báo từ hệ thống tới người dùng ,trạng thái hiện tại của phần mềm, thông báo, quá trình đang được thực hiện.
Môi trường và công cụ hỗ trợ cần thiết cho hệ thống
Tôi đã sử dụng một số công nghệ tiên tiến cho việc phát triển hệ thống và mô hình hình dạng Giao diện đồ họa người dùng được thiết kế trên khung Qt 5.12.0 C++ [20] Kỹ thuật kết xuất đồ họa được hỗ trợ bởi thư viện VTK [15] Mô hình hình dạng thống kê được hỗ trợ bởi khung statismo Hồi quy tham số hình dạng được hỗ trợ bởi hồi quy tuyến tính đa biến được thực hiện trong thư viện Eigen Hoạt hình đầu dựa trên mô hình FLAME Hệ thống được viết bằng ngôn ngữ lập trình C++ và được thử nghiệm trên MSI GF63 10SC , CPU Intel(R) Core(TM) i5-10500H CPU @ 2.50GHz 2.50 GHz ,RAM 16GB, SSD 1TB ,15.6"FHD, GPU NVIDIA GeForce GTX 1650 4GB.
KẾT QUẢ THỰC NGHIỆM
Kết quả xử lý dữ liệu
Sau khi nhập lưới đầu và cổ mới (Hình 4.6a), hệ thống có thể tự động loại bỏ các vùng cổ khỏi lưới (Hình 4.6b) và lấy mẫu lại hình dạng đầu và hộp sọ theo độ phân giải của mặt mục tiêu (Hình 4.6c) Hơn nữa, với kỹ thuật lấy mẫu ROI của chúng tôi , hình dạng đầu và hộp sọ cũng được tự động phân loại thành các vùng tôpô khác nhau: sau đầu, đáy, mắt, mặt, da mặt, trán, đầu, mũi và miệng
Trang 52 Hình 4 6 Xử lý lưới đầu sọ (a) lưới đầu và sọ thô, (b) hình dạng đầu và hộp sọ bị cắt, và (c) lấy mẫu lại hình dạng đầu và hộp sọ
Các vùng này được thống nhất trong tất cả các đối tượng trong tập dữ liệu, như được hiển thị trong Hình 4.7
Hình 4 7 Kết quả lấy mẫu của đối tượng đầu tiên ở các vùng quan tâm khác nhau đối với hình dạng đầu và hình dạng hộp sọ
Kết quả biến đổi hình dạng đầu và hộp sọ
Sau khi đăng ký tất cả các hình dạng đầu và hộp sọ với hình dạng trung bình của chúng, các biến thể hình dạng của đầu và hộp sọ trong tập dữ liệu được trình bày dưới dạng bản đồ khoảng cách màu trong Hình 4.8 Về các biến thể hình dạng đầu, các giá trị biến đổi hình dạng trung bình (Mean ± SD) ) là 4,99 ± 1,04 mm Hình dạng đầu thay đổi nhiều nhất dọc theo đường viền của vùng đầu phía dưới và ít biến đổi nhất ở vùng đầu phía trên Trên vùng mặt, các biến thể cao phân bố nhiều nhất ở vùng mũi, mắt, miệng và đầu
Về sự biến đổi hình dạng hộp sọ, giá trị biến đổi trung bình là 5,26 ± 2,38 mm, lớn hơn giá trị biến đổi của hình dạng đầu Đặc biệt, sự đa dạng nhất về hình dạng hộp sọ được phân bố ở phần dưới cùng của vùng sọ não Sự biến đổi hình dạng đầu và hộp sọ được minh họa bằng hình dạng đầu và hộp sọ trung bình
Tất cả các hình dạng đầu và hộp sọ đều được đăng ký cho các đối tượng đầu tiên Các biến thể hình dạng của chúng được tính bằng khoảng cách trung bình từ điểm này đến điểm khác giữa các đỉnh hình dạng và các đỉnh hình dạng trung bình
Hình 4 8 Sự biến đổi hình dạng đầu và hộp sọ
Độ chính xác dự đoán từ đầu đến sọ về số lượng thành phần chính
Hình 4.9 cho thấy sai số khoảng cách trung bình giữa các mắt lưới giữa các hình dạng hộp sọ được dự đoán và hình dạng hộp sọ thực tế trên cơ sở tập dữ liệu thử nghiệm sau khi xác thực chéo mười lần Đặc biệt, khi tăng số lượng thành phần từ 1 lên 100, sai số tiếp tục giảm cho đến khi số lượng thành phần là 53 Do đó, số lượng thành phần tối ưu cho dự đoán từ đầu đến sọ là 53 với đào tạo toàn diện dựa trên cấu trúc liên kết và thử nghiệm Sai số trung bình tối ưu là 1,77 mm Với cấu hình phần cứng được sử dụng, thời lượng đào tạo là 10 phút 15 giây ± 18 giây
Hình 4 9 Khoảng cách trung bình giữa các mắt lưới giữa các hình dạng hộp sọ được dự đoán và hình dạng hộp sọ thực tế Khoảng cách trung bình giữa các mắt lưới giữa các hình dạng hộp sọ được dự đoán và hình dạng hộp sọ thực tế trên cơ sở tập dữ liệu thử nghiệm sau khi xác thực chéo mười lần về số lượng thành phần từ 1 đến 100.
Kết quả phân tích cơ mặt ở các trạng thái khác nhau
Hình 4.10 cho thấy một trường hợp ví dụ về phân tích cơ trên các mô phỏng trung tính, mỉm cười và hôn Các hình ảnh được chụp từ màn hình hình ảnh chính, màn hình hình ảnh mô phỏng và màn hình hình ảnh đồ thị Ở trạng thái bắt chước trung tính, tất cả các mức độ căng cơ đều xấp xỉ bằng 0 Trong mô hình bắt chước nụ cười, giá trị sức căng của cơ nhỏ/cơ chính của cơ gò má trái/phải là âm Trong mô phỏng nụ hôn, những giá trị biến dạng này là dương Những hành vi cơ này phù hợp với những hành vi được báo cáo trong tài liệu [16]
Hình 4 10 Phân tích cơ mặt với các mô phỏng trung tính, mỉm cười và hôn
Đánh giá hệ thống
Để đánh giá độ chính xác của dự đoán từ đầu đến sọ, tôi đã sử dụng hệ thống để huấn luyện và kiểm tra mối quan hệ từ đầu đến sọ với đầy đủ các đặc điểm Các tập huấn luyện và kiểm tra lần lượt bằng 80% và 20% kích thước tập dữ liệu Số lượng thành phần PCA được tăng từ 1 lên 100 với kích thước bước là 1 thành phần Toàn bộ quy trình được thực hiện trong xác nhận chéo 10 lần Trong quá trình thử nghiệm, việc so sánh lưới được tiến hành dựa trên thước đo khoảng cách giữa các lưới Số lượng thành phần tối ưu đã được chọn sao cho sai số kiểm tra là tối thiểu Các lỗi kiểm tra số lượng thành phần tối ưu là độ chính xác của dự đoán từ đầu đến sọ
Tôi cũng đã tính toán thời lượng dự đoán từ đầu đến sọ với số lượng thành phần tối ưu sau khi xác thực chéo 10 lần
