Luận văn thạc sĩ: 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

THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨVÕ PHONG PHÚ

THIẾT KẾ HỆ THỐNG PHẦN MỀM DỰ ĐOÁNHỘP SỌ NGƯỜI CÙNG CƠ MẶT TỪ ĐẦU NGƯỜI

ỨNG DỤNG TRONG LÂM SÀNG VÀ GIÁO DỤC

NGÀNH: KỸ THUẬT ĐIỆN TỬ

THÀNH PHỐ HỒ CHÍ MINH

ĐỀ ÁN THẠC SĨ

Hướng dẫn khoa học:

1 TS NGUYỄN TẤN NHƯ 2 TS TRẦN VI ĐÔ

VÕ PHONG PHÚ

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

NGÀNH: KỸ THUẬT ĐIỆN TỬ-8520203

LỜI CẢM ƠN

Trong suốt quá trình hoàn thành đề án thạc sĩ, tôi đã nhận được hỗ trợ nhiệt tình từ các thầy cô tại trường Đại học Sư phạm Kỹ thuật TP.HCM Sự giảng dạy tận tâm và truyền đạt kiến thức từ lý thuyết đến thực hành đã là những yếu tố không thể thiếu, góp phần quan trọng vào thành công của đề tài nghiên cứu này

Xin được gửi lời cảm ơn chân thành đến hai thầy giảng viên hướng dẫn: TS Nguyễn Tấn Như và TS Trần Vi Đô Sự định hướng rõ ràng và sự giúp đỡ nhiệt thành của các thầy đã tạo điều kiện tối ưu cho tôi trong suốt quá trình nghiên cứu

Tôi cũng xin bày tỏ lòng biết ơn sâu sắc tới tất cả quý thầy cô trong Khoa Điện – Điện tử, những người đã vô cùng hỗ trợ và đóng góp ý kiến quý báu, giúp đề tài của tôi ngày càng hoàn thiện

Cuối cùng, tôi xin cảm ơn tập thể lớp cao học ngành kỹ thuật điện tử khóa 22 Sự đồng hành, chia sẻ ý kiến thiết thực và hỗ trợ từ các bạn bè đã là nguồn động lực to lớn giúp tôi vượt qua những thách thức trong quá trình thực hiện đề tài này

Tôi xin chân thành cảm ơn!

LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi

Các số liệu, kết quả nêu trong đề án là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

Tp Hồ Chí Minh, ngày 21 tháng 03 năm 2024 (Ký tên và ghi rõ họ tên)

Võ Phong Phú

TÓM TẮT

Tình trạng liệt cơ mặt ảnh hưởng tiêu cực đến cuộc sống cá nhân và nghề nghiệp của mỗi bệnh nhân Để tăng cường số lượng và hiệu ứng hình ảnh của phản hồi trong quá trình tập luyện phục hồi biểu cảm khuôn mặt, cần mô phỏng các cơ khuôn mặt một cách chính xác trong thời gian thực và cụ thể cho từng người Mô phỏng này yêu cầu dự đoán cấu trúc hộp sọ chính xác cho từng người.Tuy nhiên, việc cải thiện độ chính xác của việc dự đoán hộp sọ và xác định mạng lưới cơ mặt là khá khó khăn do thiếu bộ dữ liệu huấn luyện và quy trình dự đoán Do đó, trong đề án này, tôi giới thiệu một khung thống kê mới để tự động tạo ra các bộ dữ liệu, dự đoán sọ và xác định mạng cơ mặt từ dữ liệu hình dạng đầu Trong quá trình tạo bộ dữ liệu, mạng lưới đầu và sọ 3D được đưa vào hệ thống và được xử lý tự động để giữ lại chỉ các khu vực đầu và sọ Các mạng lưới đầu và sọ sau đó được lấy mẫu ở các vùng quan tâm khác nhau với độ phân giải khác nhau Mối quan hệ giữa đầu và sọ được huấn luyện dưới dạng một phương trình hồi quy tuyến tính đa biến từ đầu đến các tham số sọ Hình dạng đầu và sọ được tham số hóa bằng thuật toán phân tích thành phần chính (PCA) Trước khi huấn luyện, tôi có thể điều chỉnh độ phân giải mạng lưới và số lượng thành phần PCA Trong dự đoán từ đầu đến sọ, tôi nhập một lưới đầu 3D với các điểm đặc trưng được chọn trước Hệ thống có thể tự động dự đoán cấu trúc sọ và xác định mạng lưới cơ mặt của nó Cuối cùng, tôi cũng có thể thực hiện các biểu cảm khuôn mặt và tính toán độ căng cơ mặt phù hợp của chúng trong thời gian thực Nghiên cứu này có ba đóng góp chính: (1) hệ thống phần mềm đầu tiên để tự động dự đoán và phân tích sọ và mạng cơ mặt từ dữ liệu đầu, (2) một quy trình xử lý dữ liệu mới để tự động loại bỏ các khu vực cổ và lấy mẫu các đặc trưng topolog cho cả hình dạng đầu và sọ, và (3) một bộ dữ liệu mới về hình dạng đầu và sọ với các đặc trưng topolog hỗ trợ việc cải thiện dự đoán từ đầu đến sọ

ABSTRACT

Facial palsy negatively affects the personal and professional lives of the involved patients To enhance the quantity and visual effects of feedback during facial mimic rehabilitation exercises, facial muscles need to be simulated in a real-time and subject-specific manner This simulation requires a subject-specific skull structure to be fast predicted from the head accurately However, enhancement of the accuracy of the skull prediction and muscle network definition is relatively challenging in terms of lacking training datasets and prediction workflow Consequently, in this study, we introduce a novel statistical framework for automatically generating datasets, predicting the skull, and defining muscle networks from the head In the dataset generation, three-dimensional (3-D) head and skull meshes were inputted into the system These meshes were automatically processed to keep only the head and skull regions The post-processed head and skull meshes were also sampled in various regions of interest (ROIs) with different resolutions The head and skull relation was trained as a multivariate linear regression from the head to the skull parameters The head and skull shapes were parameterized using the principal component analysis (PCA) algorithm Before training, we could control the mesh resolution and the number of PCA components In the head-to-skull prediction, we inputted a 3-D head mesh with pre-selected feature points The system could automatically predict the skull structure and define its muscle network Last but not least, we could also perform facial mimics and compute their appropriate muscle strains in real-time This study has three main contributions: (1) the first software system for automatically predicting and analyzing skull and muscle network from the head, (2) a novel data processing procedure for automatically removing neck regions and sampling topological features for both head and skull shapes, and (3) a novel dataset of head and skull shapes with their topological features supporting the enhancement of

MỤC LỤC

Quyết định về việc giao đề tài đề án tốt nghiệp i

Quyết định về việc bổ sung người hướng dẫn đề án tốt nghiệp ii

Biên bản chấm đề án tốt nghiệp thạc sĩ iii

Phiếu nhận xét đề án thạc sĩ dành cho giảng viên phản biện iv

Biên bản chỉnh sửa đề án tốt nghiệp thạc sĩ vi

Phiếu nhận xét đề án thạc sĩ dành cho giảng viên hướng dẫn viii

1.3 Mục tiêu nghiên cứu 7

1.4 Nhiệm vụ nghiên cứu 7

1.5 Phạm vi nghiên cứu 8

1.6 Phương pháp nghiên cứu 9

1.7 Nhu cầu khoa học và lâm sàng của đề tài nghiên cứu 9

1.8 Nội dung đề tài đề án 10

CHƯƠNG II : CƠ SỞ LÝ THUYẾT 11

2.1 Giới thiệu về máy học 11

2.1.1 Vai trò của máy học 11

2.1.2 Phân loại máy học 13

2.1.3 Ứng dụng của máy học 14

2.2 Giới thiệu về phương pháp PCA 14

2.2.1 Các bước thực hiện PCA 15

2.2.2 Ứng dụng của phương pháp PCA 17

2.3 Giới thiệu phương pháp hồi quy bình phương nhỏ nhất từng phần PLSR 18

2.3.1 Các bước thực hiện PLSR 20

2.3.2 Ứng dụng phương pháp PLSR 20

2.4 Giới thiệu phương pháp Non-rigid Scaling 21

2.4.1 Các bước thực hiện phương pháp Non-rigid Scaling 21

2.5 Phương pháp tối ưu hóa hình dạng thống kê 22

2.5.1 Các bước xây dựng mô hình SSM 23

2.5.2 Ứng dụng trong tối ưu hóa hình dạng 23

2.6 Giới thiệu công cụ thiết kế giao diện người dùng Qt 24

CHƯƠNG III : THIẾT KẾ HỆ THỐNG 26

3.1 Yêu cầu thiết kế hệ thống 26

3.2 Sơ đồ tổng quan quy trình dự đoán hình dạng đầu từ hình ảnh khuôn mặt 27

3.3 Chuẩn bị dữ liệu 28

3.4 Các phương pháp thực hiện 34

3.6 Chức năng tổng thể của hệ thống phần mềm dự đoán hộp sọ cùng cơ mặt 44

3.6.1 Xử lý dữ liệu 44

3.6.2 Huấn luyện mô hình từ đầu tới sọ 44

3.6.3 Dự đoán từ đầu tới sọ 45

3.6.4 Phân tích cơ mặt 45

3.8 Môi trường và công cụ hỗ trợ cần thiết cho hệ thống 46

CHƯƠNG IV: KẾT QUẢ THỰC NGHIỆM 47

4.4 Kết quả xử lý dữ liệu 51

4.5 Kết quả biến đổi hình dạng đầu và hộp sọ 53

4.6 Độ chính xác dự đoán từ đầu đến sọ về số lượng thành phần chính 54

4.7 Kết quả phân tích cơ mặt ở các trạng thái khác nhau 55

6.1 Hướng dẫn chức năng xử lý dữ liệu 62

6.2 Hướng dẫn chức năng quản lý dữ liệu 63

6.3 Hướng dẫn chức năng huấn luyện và kiểm tra mối quan hệ đầu-sọ 64

6.4 Hướng dẫn chức năng dự đoán từ đầu đến hộp sọ 65

6.5 Hướng dẫn chức năng phân tích cơ mặt 66

Bản cam kết và xác nhận kết quả kiểm tra đạo văn 68

Bảng kết quả kiểm tra mức độ trùng lặp qua phần mềm Turnitin 69

Bài báo khoa học 70

DANH MỤC CÁC HÌNH ẢNH

Hình 2 1 Các phương pháp máy học phổ biến hiện nay 13

Hình 2 2 Quy trình thực hiện PCA 17

Hình 2 3 Khái quát ma trận cho đầu vào PLSR 18

Hình 2 4 Khái quát ma trận phản hồi PLSR 19

Hình 2 5 Mô tả cấu trúc của một project visual sử dụng Qt 24

Hình 3 1 Các bước xử lý tổng thể của quy trình dự đoán hình dạng đầu từ mặt 27

Hình 3 2 Tái tạo lưới đầu & cổ 3-D từ ảnh CT và ước tính kế hoạch cắt 29

Hình 3 3 Cắt lưới ở đầu và cổ để chỉ giữ lại vùng đầu 31

Hình 3 4 Ước tính các tia lấy mẫu sau đầu và mặt 33

Hình 3 5 Lấy mẫu các vùng đầu và mặt để lấy mẫu đầu và mặt 34

Hình 3 6 Dự đoán đầu từ khuôn mặt dựa trên chiến lược Non-rigid scaling 35

Hình 3 7 Dự đoán đầu từ khuôn mặt dựa trên chiến lược tối ưu hóa FLAME 36

Hình 3 8 Dự đoán đầu từ khuôn mặt dựa trên chiến lược PLSR 39

Hình 3 9 Dự đoán đầu từ khuôn mặt dựa trên PCA và chiến lược hồi quy tuyến tính đa biến 42

Hình 3 10 Mô tả các chức năng tổng thể của khung dự đoán từ đầu đến sọ 44

Hình 3 11 Giao diện người dùng của phần mềm dự đoán hộp sọ cùng cơ mặt 46

Hình 4 1 Các kết quả được xác thực chéo để chọn số lượng thành phần tối ưu cho dự đoán trực tiếp dựa trên PLSR 47

Hình 4 2 Các kết quả được xác thực chéo để chọn số lượng thành phần tối ưu cho dự đoán trực tiếp dựa trên PCA 48Hình 4 3 Các kết quả được xác thực chéo để lựa chọn chiến lược huấn luyện trực diện

Hình 4 4 Các trường hợp được dự đoán tốt nhất và xấu nhất đối với dự đoán từ mặt tới

sau đầu diện bằng chiến lược dự đoán 50

Hình 4 5 Các trường hợp được dự đoán tốt nhất và xấu nhất đối với dự đoán từ mặt đến toàn bộ đầu sử dụng chiến lược dự đoán tối ưu 51

Hình 4 6 Xử lý lưới đầu sọ 52

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 52

Hình 4 8 Sự biến đổi hình dạng đầu và hộp sọ 53

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 54

Hình 4 10 Phân tích cơ mặt với các mô phỏng trung tính, mỉm cười và hôn 55

Hình 5 1 Quy trình xử lý dữ liệu 62

Hình 5 2 Hệ thống cũng hỗ trợ các chức năng quản lý dữ liệu 63

Hình 5 3 Chức năng huấn luyện và thử nghiệm mô hình quan hệ đầu-sọ 64

Hình 5 4 Quy trình dự đoán lưới sọ từ đầu 65

Hình 5 5 Quy trình phân tích cơ mặt 67

DANH SÁCH CÁC CHỮ VIẾT TẮT

AI Artificial Intelligence Trí tuệ nhân tạo

TCIA The Cancer Imaging Archive Kho lưu trữ hình ảnh ung thư CT

CT Computed Tomography Chụp cắt lớp vi tính

PLSR Partial Least Squares Regression

Hồi quy bình phương tối thiểu một phần

PCA Principal Component Analysis

Phân tích giá trị đơn

CPD Coherent Point Drift Phân tán điểm cùng điểm

SSM Statistical Shape Model Mô hình hình dạng thống kê

CHƯƠNG I: TỔNG QUAN 1.1 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

1.2 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): 1-23, [1]

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

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): 2355-2373 [3]

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

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 Dao,” [4]

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

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]

Bài báo của Rodriguez-Florez và cộng sự nghiên cứu ứng dụng mô hình hình dạng thống kê để hỗ trợ lập kế hoạch phẫu thuật: phân tích mối liên hệ giữa các tham số phẫu thuật và hình dạng đầu sau phẫu thuật cranioplasty hỗ trợ bằng lò xo Phẫu thuật này được thực hiện để sửa đổi hình dạng đầu dài và hẹp của trẻ em mắc chứng synostosis saggital, thông qua việc cắt xương và đặt các bộ phận giãn nở giống như lò xo Nghiên cứu đã tuyển mộ 20 bệnh nhân liên tiếp tại Bệnh viện Nhi đồng Great Ormond Street (London, UK) Một kỹ thuật mô hình hóa thống kê phi tham số dựa trên dòng toán học đã được sử dụng để tính toán mẫu hình dạng đầu 3D từ các quét bề mặt đầu của bệnh nhân sau khi lò xo được gỡ bỏ Phân tích hồi quy bộ phận tối thiểu (PLS) đã được sử dụng để định lượng và trực quan hóa xu hướng thay đổi hình dạng đầu địa phương liên quan đến các tham số phẫu thuật Kết quả cho thấy mối tương quan đáng kể giữa các tham số phẫu thuật và hình dạng đầu, góp phần vào việc lên kế hoạch phẫu thuật và đánh giá kết quả sau phẫu thuật, mở ra khả năng áp dụng cho các thủ thuật khác trong lĩnh vực phẫu thuật hàm mặt

-Đề tài “ Skull fracture prediction through subject-specific finite element modelling is highly sensitive to model parameters” Của nhóm tác giả Dries De Kegel, Alexander Meynen, Nele Famaey, G Harry van Lenthe, Bart Depreitere, Jos Vander Sloten,[7]

Bài báo này khảo sát tính nhạy của dự đoán gãy sọ qua mô hình hóa phần tử hữu hạn đặc thù cho từng cá nhân, phụ thuộc vào các tham số mô hình Các mô hình máy tính đáng tin cậy là cần thiết để hiểu rõ hơn về cơ chế vật lý của gãy sọ trong các tình huống như va chạm, ngã, tai nạn xe đạp - xe cộ và bạo lực Hiệu suất và độ sinh học của các mô hình này phụ thuộc vào việc biểu diễn chính xác giải phẫu và mô tả vật liệu Nghiên cứu này dựa trên các hình ảnh y tế để tạo ra các lưới phần tử hữu hạn chất lượng cao, sau đó gán mô hình vật liệu đẳng hướng đặc thù cho từng cá nhân

-Đề tài nghiên cứu “Prediction of skull fractures in blunt force head traumas using finite element head models” Của nhóm tác giả Lindgren, N., Henningsen, M.J., Jacobsen, C et al [8]

Bài báo của Lindgren và cộng sự nghiên cứu việc sử dụng mô hình đầu Finite Element (FE) đặc thù cho từng cá nhân để dự đoán gãy sọ do chấn thương đầu từ lực va đập Nghiên cứu này giới thiệu một mô hình vật liệu phụ thuộc vào tốc độ biến dạng cho xương sọ và áp dụng nó cho năm trường hợp té ngã trong thực tế Các mô hình FE được tạo ra thông qua một quy trình cá nhân hóa dựa trên đăng ký hình ảnh và sử dụng dữ liệu va chạm đầu từ các mô hình cơ thể người được cá nhân hóa Các đường gãy dự đoán từ mô phỏng được kiểm chứng so với các hình ảnh CT chụp sau tử vong, cho thấy sự trùng khớp cao trong tất cả các trường hợp, với ít nhất bốn trong năm trường hợp hiển thị mẫu gãy tương tự như quan sát trong các báo cáo pháp y Nghiên cứu đã thành công trong việc chứng minh khả năng của mô hình FE trong việc tái hiện sự khởi phát, lan truyền và mẫu hình cuối cùng của gãy sọ, đánh dấu một bước tiến quan trọng trong phân tích cơ học của chấn thương đầu

-Đề tài nghiên cứu “Prediction of skull fracture risk for children 0–9 months old through validated parametric finite element model and cadaver test reconstruction” Của nhóm tác giả Li, Z., Liu, W., Zhang, J et al [9]

Bài báo của Li, Z., Liu, W., Zhang, J và cộng sự nghiên cứu việc dự đoán nguy cơ gãy sọ ở trẻ em từ 0 đến 9 tháng tuổi thông qua một mô hình hữu hạn đối xứng (FE) được xác thực và tái tạo thử nghiệm trên xác chết Các tác giả đã sử dụng 50 thử nghiệm trên xác trẻ em từ nghiên cứu của Weber vào giữa những năm 1980 để tái tạo trong mô hình FE, điều chỉnh theo tuổi, kích thước/ hình dạng đầu và độ dày sọ của các đối tượng được báo cáo trong thử nghiệm Dựa trên các chỉ số chấn thương đầu do mô hình dự đoán, các đường cong nguy cơ gãy sọ cho trẻ sơ sinh được phát triển thông qua phân tích hồi quy logistic

1.3 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

1.4 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

1.5 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

1.6 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

1.7 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

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

1.8 Nội dung đề tài đề án Chương I: Tổng quan:

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

CHƯƠNG II : CƠ SỞ LÝ THUYẾT

Trí tuệ nhân tạo (AI) đang trải qua một thời kỳ phát triển rất đáng chú ý với sự lan rộng đến mọi lĩnh vực của cuộc sống và kinh tế Hiện nay, công nghệ AI không chỉ là một lĩnh vực nghiên cứu mà còn là một công cụ quan trọng hỗ trợ trong quyết định kinh doanh, phát triển sản phẩm và cải thiện hiệu suất lao động Trí tuệ nhân tạo và một số thuật toán sẽ được nghiên cứu và ứng dụng trong đề tài này

Một trong những tiến triển đáng chú ý nhất là sự phát triển của học máy (machine learning), một lĩnh vực của AI mà ngày càng trở nên phổ biến và mạnh mẽ Công nghệ học máy đã làm cho việc xử lý dữ liệu trở nên linh hoạt hơn và có thể tự động hóa một cách hiệu quả Từ việc dự đoán xu hướng thị trường đến việc tối ưu hóa quá trình sản xuất, học máy đang tạo ra những tiến bộ đáng kể trong nhiều lĩnh vực khác nhau

Đặc biệt trong lĩnh vực y tế, AI có thể đem lại những đột phá lớn trong việc chẩn đoán bệnh, theo dõi sức khỏe và phát triển các phương pháp điều trị cá nhân hóa Trong lĩnh vực tự động hóa, AI có thể thay đổi cách chúng ta sản xuất và tiêu thụ hàng hóa, tạo ra một môi trường làm việc thông minh và hiệu quả hơn

2.1 Giới thiệu về máy học

Máy học (Machine Learning) là một lĩnh vực trong trí tuệ nhân tạo (Artificial Intelligence - AI) tập trung vào việc phát triển các thuật toán và phương pháp để cho máy tính tự động học từ dữ liệu mà không cần phải được lập trình cụ thể Mục tiêu của máy học là phát triển các mô hình và thuật toán mà máy tính có thể sử dụng để nhận biết và áp dụng các mẫu từ dữ liệu, từ đó tự động hoặc hướng dẫn được các quyết định và dự đoán

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

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

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

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

2.2 Giới thiệu về phương pháp PCA

Phương pháp phân tích thành phần chính (PCA) [10] là một thuật toán thống kê sử dụng phép biến đổi trực giao để chuyển đổi một tập hợp dữ liệu từ một không gian nhiều chiều sang một không gian ít chiều hơn mà vẫn bảo toàn mức độ biến động cao nhất của dữ liệu sau khi chuyển đổi

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

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 = ∑ 𝑥 (2.1) Trong đó:

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 = 𝑥 − 𝑥̅ (2.2) Trong đó:

𝑥 là điểm dữ liệu thứ n đã được chuẩn hóa Tính ma trận hiệp phương sai:

𝑆 = ∗ 𝑋𝑋T (2.3) Trong đó:

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

- 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

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

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

2.3 Giới thiệu phương pháp hồi quy bình phương nhỏ nhất từng phần PLSR Các nhà hóa học người Scandinavi Svante Wold và Harald Martens đã phát triển hồi quy PLS vào đầu những năm 1980 Khung Mô hình PLS của Herman Wold là nền tảng lý thuyết Khi hồi quy PLS được phát triển như một giải pháp thuật toán, không có tiêu chuẩn tối ưu hóa rõ ràng Nó gần như ngay lập tức trở thành một sản phẩm nổi tiếng khi nó được giới thiệu trong lĩnh vực hóa học Các nhà thống kê ứng dụng tò mò dần dần quan tâm đến nó Các nhà toán học ứng dụng mới phải mất vài năm (cuối thập niên 1980 đầu thập niên 1990) để phát hiện ra các tính chất của nó

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

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

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

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

2.4 Giới thiệu phương pháp Non-rigid Scaling

Phương pháp Non-rigid Scaling là một phương pháp xử lý hình ảnh được sử dụng để biến đổi hình dạng của các đối tượng trong hình ảnh một cách phi tuyến tính Điều này cho phép điều chỉnh hình dạng của đối tượng mà không thay đổi tỷ lệ hoặc biến đổi toàn bộ đối tượng

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

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

2.5 Phương pháp tối ưu hóa hình dạng thống kê

FLAME (Face LAbel Model for Expression): là một mô hình hình dạng khuôn mặt thống kê được sử dụng để mô hình hóa hình dạng của khuôn mặt người Mô hình này bao gồm các thông số để biểu diễn hình dạng khuôn mặt và có khả năng mô phỏng các biểu cảm trên khuôn mặt

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

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

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

2.6 Giới thiệu công cụ thiết kế giao diện người dùng Qt

Qt là một framework phát triển ứng dụng đa nền tảng mạnh mẽ dùng để xây dựng ứng dụng máy tính, ứng dụng di động và các ứng dụng nhúng Qt giúp phát triển ứng dụng một cách hiệu quả trên nhiều hệ điều hành và nền tảng khác nhau mà không cần viết lại mã nguồn cốt lõi Qt cho phép sử dụng một lần và triển khai ứng dụng trên nhiều nền tảng khác nhau

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

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

CHƯƠNG III : THIẾT KẾ HỆ THỐNG

Chương này 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

3.1 Yêu cầu thiết kế hệ thống

Nghiên cứu này tập trung xây dựng được phần mềm dự đoán cấu trúc đầu đầy đủ và họp sọ cùng cơ mặt từ hình ảnh đầu người có ứng dụng trong y học và thị giác máy tính Việc tái tạo đầu đầy đủ có nhiều ứng dụng quan trọng như mô phỏng hoạt động cơ mặt giúp thiết kế các bài tập phục hồi chức năng cho bệnh nhân liệt cơ mặt.Tuy nhiên, việc tái tạo đầu đầy đủ từ ảnh khuôn mặt là khó khăn và hiếm khi được thực hiện Các thiết bị quét cảm biến camera thường chỉ chụp khu vực khuôn mặt của đầu Hình dáng phần sau của đầu thường bị che khuất bởi tóc hoặc các vật che khuất khác và mô phỏng hình dáng này khá phức tạp, các mạng lưới cơ mặt cũng không thể chụp quét bằng camera thông thường theo thời gian thực

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

3.2 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

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

3.3 Chuẩn bị dữ liệu