System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗、图像处理、深度学习交叉领域,特别是涉及一种用于面神经麻痹智能化检测与量化方法及其系统。
技术介绍
1、目前对面神经麻痹患者的现有检测方法包括两种:
2、一种现有的面神经麻痹的检测方法是寻找到人脸对称轴后,以人脸左右两侧的直接差异来判断疾病,而实际生活中多数人的脸部其左右并非理想对称的情况,并且患者并非某一侧脸完全神经麻痹,利用脸部对称性进行病变定位和病情识别,很容易因为人脸左右正常的差异而造成误识别的情况。
3、另一种现有的面神经麻痹的检测方法是使用深度学习的方式,直接输入整张患者面部图像,来进行患者面部病变的识别,但是大部分深度学习网络模型需要大量患者人脸数据来进行训练,但患者的人脸数据涉及患者的敏感信息,因此,患者的人脸数据难以大量采集。
4、因此亟需提供一种新型的用于面神经麻痹智能化检测与量化方法及其系统来解决上述问题。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种用于面神经麻痹智能化检测与量化方法及其系统,能够有效地提取人脸五官纹理特征,提高了面神经麻痹识别的准确率,为面神经麻痹的临床辅助诊断提供了一套更为准确、便利、高效的自动化识别方法。
2、为解决上述技术问题,本专利技术采用的一个技术方案是:提供一种用于面神经麻痹智能化检测与量化方法,包括以下步骤:
3、s1:构建面神经麻痹患者面部图像数据集;
4、s2:根据所述面神经麻痹患者人脸图像数据集,获取面部关键点数据,裁切
5、s3:计算出每个部分分割出的异常区域与对应正常区域的差异值,并计算总差异度;
6、s4:使用分割出的面部异常掩膜以及预处理后的患者面部异常三部分图像,设置分割出的面部异常掩膜透明度,分别贴回到三个异常部分图像,拼接三组异常部分与对应正常部分图像后显示,并显示各部分异常区域与对应正常区域的差异值与总差异度。
7、在本专利技术一个较佳实施例中,步骤s1的具体步骤包括:
8、获取面神经麻痹患者面部图像数据集;
9、对获取的面神经麻痹患者面部图像数据集进行预处理。
10、在本专利技术一个较佳实施例中,在步骤s2中,获取面部关键点数据的具体步骤包括:
11、通过输入dlib工具包中人脸检测与人脸关键81点提取算法模型,在图像中寻找人脸区域,并返回每个检测到的人脸的边界框位置,以得到待处理面部图像的面部关键点数据,通过对关键点的定位,确定需要处理的面部区域。
12、在本专利技术一个较佳实施例中,在步骤s2中,所述分割网络模型的训练方法包括以下步骤:
13、获取步骤s1中的面神经麻痹患者人脸图像数据集;
14、对所述面神经麻痹患者人脸图像数据集进行预处理;
15、根据预处理的面神经麻痹患者人脸图像数据集确定需要处理的面部区域;
16、通过获取的面部关键点数据,并将识别区域裁切为六个部分,分别为左侧额头眼睛部分、脸颊鼻子部分以及嘴巴下巴部分,右侧额头眼睛部分、脸颊鼻子部分以及嘴巴下巴部分六个部分,选择异常部分同侧三个部分,标注面部异常处理区域,得到面部裁剪部分与对应掩膜三组数据;
17、标准化三组数据尺寸为,分别输入分割网络模型中进行训练,得到三个不同部分权重文件。
18、进一步的,所述分割网络模型为unet,包括输入卷积层部分、编码器部分、解码器部分和输出卷积层部分;
19、所述输入卷积层部分通过doubleconv模块提取初始特征;
20、所述编码器部分通过多个卷积层和下采样操作逐渐降采样图像,并抽取高级抽象特征;
21、所述解码器部分通过上采样操作将特征逐层恢复到原始图像尺寸,并与编码器中相应层级的特征图进行跳跃连接,融合不同层级的特征信息;
22、所述输出卷积层部分输出最终的图像分割结果。
23、在本专利技术一个较佳实施例中,在步骤s2中,将三个不同部分分割出的异常掩膜与对应部分图像按位与,得到各部分异常区域。
24、在本专利技术一个较佳实施例中,步骤s3的具体步骤包括:
25、将各部分分割异常区域掩膜对称翻转,获取对应相对正常区域,再将相对正常区域对称翻转用于计算相似度;
26、使用改进等价lbp算子提取三组对应正常区域与异常区域两个特征图,使用特征图与对应区域图像,通过双输入神经网络中的特征融合网络以及特征提取网络输出特征向量,再通过输出的特征向量之间的欧氏距离计算差异值。
27、进一步的,所述改进等价lbp算子识别特征在局部二值模式的基础上,利用邻域像素与中心像素的中位数代替中心值,通过邻域像素的关系引入,提升图像的纹理表达效果。
28、进一步的,所述双输入神经网络中的特征融合网络与特征提取网络分别为:
29、所述特征融合网络定义了一个残差块类residualblock和一个残差网络类residualnet,用于构建图像特征提取的模型;
30、所述特征提取网络定义了一个自定义网络类customnet,用于特征融合和输出。
31、为解决上述技术问题,本专利技术采用的另一个技术方案是:提供一种用于面神经麻痹智能化检测与量化系统,包括:
32、图像数据集构建模块,用于构建面神经麻痹患者面部图像数据集;
33、面部图像裁切模块,用于获取所述面神经麻痹患者人脸图像数据集的面部关键点数据,裁切面部识别区域为六个部分,分别为左侧额头眼睛部分、脸颊鼻子部分、嘴巴下巴部分,右侧额头眼睛部分、脸颊鼻子部分,嘴巴下巴部分,确定其中同侧异常三个不同部分;
34、分割网络模型建立模块,用于建立分割网络模型,利用所述图像数据集构建模块构建的图像数据集进行训练;
35、图像分割模块,用于通过训练后的分割网络模型对患者面部图像进行面神经麻痹的分割,输出三个不同部分分割出的异常掩膜,通过异常掩膜获取异常区域;
36、差异值计算模块,用于计算出每个部分分割出的异常区域与对应正常区域的差异值,并计算总差异度;
37、可视化模块,用于使用分割出的面部异常掩膜以及预处理后的患者面部异常三部分图像,设置分割出的面部异常掩膜透明度,分别贴回到三个异常部分图像,拼接三组异常部分与对应正常部分图像后显示,并显示各部分异常区域与对应正常区域的差异值与总差异度。
38、本专利技术的有益效果是:
39、(1)本专利技术首先通过面神经麻痹患者面部数据集,将数据集预处理后,提取面部关键点数据,将面部裁切为三个部分,额头眼睛部分、脸颊鼻子部分以及嘴巴本文档来自技高网...
【技术保护点】
1.一种用于面神经麻痹智能化检测与量化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,步骤S1的具体步骤包括:
3.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,在步骤S2中,获取面部关键点数据的具体步骤包括:
4.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,在步骤S2中,所述分割网络模型的训练方法包括以下步骤:
5.根据权利要求4所述的用于面神经麻痹智能化检测与量化方法,其特征在于,所述分割网络模型为Unet,包括输入卷积层部分、编码器部分、解码器部分和输出卷积层部分;
6.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,在步骤S2中,将三个不同部分分割出的异常掩膜与对应部分图像按位与,得到各部分异常区域。
7.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,步骤S3的具体步骤包括:
8.根据权利要求7所述的用于面神经麻痹智能化检测与量化方法,其特征在于
9.根据权利要求7所述的用于面神经麻痹智能化检测与量化方法,其特征在于,所述双输入神经网络中的特征融合网络与特征提取网络分别为:
10.一种用于面神经麻痹智能化检测与量化系统,其特征在于,包括:
...【技术特征摘要】
1.一种用于面神经麻痹智能化检测与量化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,步骤s1的具体步骤包括:
3.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,在步骤s2中,获取面部关键点数据的具体步骤包括:
4.根据权利要求1所述的用于面神经麻痹智能化检测与量化方法,其特征在于,在步骤s2中,所述分割网络模型的训练方法包括以下步骤:
5.根据权利要求4所述的用于面神经麻痹智能化检测与量化方法,其特征在于,所述分割网络模型为unet,包括输入卷积层部分、编码器部分、解码器部分和输出卷积层部分;
6.根据权利要求1所述的用于面神经麻痹...
【专利技术属性】
技术研发人员:石文涛,张武,孙学雅,左冠鹏,张晨璐,牛奥宇,
申请(专利权)人:安徽农业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。