Hệ thống phần mềm dự đoán hộp sọ và cơ mặt từ ảnh chụp đầu người ứng dụng trong lâm sàng và giáo dục

DANH SÁCH CÁC CHỮ VIẾT TẮT

TCIA The Cancer Imaging Archive Kho lưu trữ hình ảnh ung thư CT CT Computed Tomography Chụp cắt lớp vi tính. Phân tích giá trị đơn CPD Coherent Point Drift Phân tán điểm cùng điểm SSM Statistical Shape Model Mô hình hình dạng thống kê.

CƠ SỞ LÝ THUYẾT

- 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. 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. 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.

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. 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.

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. 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.

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.

THIẾT KẾ HỆ THỐNG

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. 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. 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, tụi cũng đó làm rừ việc biến dạng bằng cỏch làm giảm thiểu sự khỏc 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. 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. Các đặc trưng phần sau đầu và khuôn mặt cùng với các tia mẫu tương ứng được tính toán trên lưới đầu và cổ FLAME đã được biến đổi nhờ các tọa độ trung tâm đã được tính trước, như minh họa trong Hình 3.4.

Các hệ số mặt thứ i trong tập dữ liệu thử nghiệm được sử dụng để dự đoán các hệ số ngược thứ i trong tập dữ liệu thử nghiệm bằng cách sử dụng mô hình hồi quy đa biến đã được huấn luyện, như trong biểu thức 16. Đối với mỗi số lượng thành phần, tôi đã huấn luyện bộ dự đoán dựa trên PLSR trên tập dữ liệu huấn luyện và dự đoán phần đầu từ các khuôn mặt dựa trên quy trình được mô tả trong Phần 3.4.3 xuyên suốt các đối tượng thử nghiệm trong mười lần. Để lựa chọn số lượng thành phần tối ưu trong chiến lược dựa trên hồi quy PCA, tôi đã huấn luyện SSM của các đặc trưng phần đầu và mặt với số lượng thành phần từ 1 đến 100 với kích thước bước 1 thành phần trên các môn huấn luyện trong 10 tệp.

Với tất cả các tập hợp đặc trưng khuôn mặt của các đối tượng thử nghiệm, tôi dự đoán lưới đầu của họ dựa trên quy trình được mô tả trong và Phần 3.4.4 các mắt lưới đầu dự đoán được so sánh với các mắt lưới đầu thực tế bằng cách sử dụng thước đo khoảng cách giữa các mắt lưới trên vùng sau đầu. Số lượng thành phần tối ưu của công cụ dự đoán trực diện dựa trên PCA là khi giá trị trung bình lớn của khoảng cách giữa các mắt lưới trong suốt các đối tượng thử nghiệm là tối thiểu sau khi xác thực chéo mười lần. Để chọn chiến lược dự đoán tối ưu, tôi đã thử nghiệm các công cụ dự đoán trực tiếp bằng cách sử dụng các chiến lược dựa trên tỷ lệ, dựa trên FLAME, dựa trên PLSR và dựa trên PCA trong suốt quá trình xác thực chéo mười lần.

KẾT QUẢ THỰC NGHIỆM

Mô hình PCA cho thấy hiệu suất tốt hơn khi có số thành phần lớn hơn, tuy nhiên, cần lưu ý rằng mô hình này có khả năng mô tả tốt hơn về biến đổi hình dạng giữa khuôn mặt và đầu. Mô hình dự đoán dựa trên PCA có khả năng mô tả mối quan hệ giữa các hình dạng khuôn mặt và sau đầu tốt nhất, với khoảng cách trung bình giữa các lưới lưới thấp nhất (Trung bình ± Độ lệch chuẩn: 1,15 ± 0,21 mm). 3 Các kết quả được xác thực chéo để lựa chọn chiến lược huấn luyện trực diện tối ưu trong số các chiến lược huấn luyện dựa trên tỷ lệ co, FLAME, PLSR và PCA.

Đối với các khu vực đầu đầy đủ, do các đỉnh khuôn mặt của đầu được sử dụng để dự đoán, sai số của các khu vực đầu đầy đủ tốt hơn so với khu vực sau đầu. Như được thể hiện trong Hình 4.4, trong các trường hợp được dự đoán tốt và xấu nhất, các sai số lớn chủ yếu phân bố trong các vùng xung quanh tai và cổ do sự biến đổi lớn về hình dạng ở những khu vực này, nhưng ở khu vực đầu, các sai số này nhỏ. 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.

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. 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. 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.

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.