面癱診療評估計算模型的研究面癱診療評估計算模型的研究

蘭添才，陳 俊，黃 婧，馬偉良

(1.龍巖學院；2.龍巖市第二醫院；3.閩西職業技術學院 福建龍巖 364000)

面癱是一種面部肌肉運動功能受阻的常見疾病，現代中醫稱為面神經麻痹，其主要癥狀表現為患者難以正常完成如抬眉、閉眼、聳鼻、鼓腮和示齒等基本的面部動作。臨床上對面癱的嚴重程度分級評估最常采用House-Brackmann(HB)分類量表[1]及其改進方法[2]?；贖B方法，臨床醫生主要根據兩個方面對面癱病情嚴重程度進行評估，一是患者面部在靜止狀態下的不對稱性，二是患者在做面部動作時人臉兩側表情肌的運動功能差異。由于患者的主觀配合程度的差異以及醫生的主觀觀察偏差，最終的診斷準確性過度依賴于醫生的經驗，診斷過程慢而且容易造成誤診。

臨床治療中近年來一直關注計算機輔助診斷(Computer Aided Diagnosis)，其通過專業算法可先行提取數字圖像中具有診斷價值的特征，并進一步優化特征，進行分類診斷，幫助醫生盡快分析診斷和評估疾病存在的可能性及嚴重程度，提高診斷準確度和工作效率。目前國內外諸多學者已對面癱的計算機輔助診斷方法進行了相關研究，提出了各種基于不同算法的識別與評估方法。如：NELLY等提出一種計算機輔助分析面部運動功能分級方法[3]；林楊等提出了一種面癱患者面部運動功能自動分級方法[4]；王倩倩提出基于AAM(Active Appearance Model)的面神經運動功能評價方法[5]；NGO等提出結合Gabor特征和LBP(Local Binary Patterns,LBP)特征進行面癱的定量評估[6]。WANG等通過結合患者面部靜態特征與動態特征提出了一種評估面癱嚴重程度的新方法[7]；許鵬飛等提出一種基于深度時序特征的面癱分級評估方法[8]；楊春磊提出基于視頻分析的面癱等級自動評估方法[9]。

綜合面癱診療評估的國內外研究現狀，面癱的計算機輔助診斷能夠相對快速和客觀地進行面癱的分級評估?，F有的研究方法主要集中在面癱檢測和面部不對稱性的評價，如何提高這些檢測方法及不對稱性評價的準確度，關鍵在于需要對面癱患者診療過程的面部特征進行精準量化描述與評估，而現有的研究方法普遍缺乏對這種面部不對稱性進行細致的量化和綜合評估[8-9]。本文將構造出一種用于面癱診療的不對稱度計算模型和計算不對稱度的算法，并量化這些不對稱性，輔助醫生提高診斷面癱疾病的準確度和診斷效率。

1 醫學圖像的不對稱度計算模型

醫學圖像以研究人體器官為主要對象，人體存在著大量對稱性，例如人的五官以及某些骨骼等。一些醫學疾病會導致人體的某些器官產生病變，進而導致這些器官變成不對稱。器官不對稱的差異程度可通過構造計算模型進行度量，借助該模型通過醫學圖像的數值計算可以為臨床醫生提供比較客觀的診斷判定方法。文獻[10]提出了一種仿射變換下的醫學圖像不對稱度計算方法并應用于膽脂瘤的診斷，通過遍歷感興趣區域(Region Of Interest，ROI)的點，并利用基于給定的對稱點的不對稱度的計算的算法求出每一個點的不對稱度，并進行比較，最終獲得整個區域的不對稱度。

1.1 三維圖像的不對稱度計算模型[10]

三維圖像可用三元函數ξ(x,y,z)或者ξ(P)來表示(記P=(x,y,z)，x、y、z是像素的空間坐標)。其中，ξ(P)表示三維圖像在空間點P處的特征值。

假定Ω、Ω'是互相對稱的ROI病變區域。對于點P，令其對稱點為Q(P)，則Q(P)是關于P0、P1、P的函數Q(P,P0,P1)。其中P0為病變區域Ω中的一個初始點，P1為病變區域Ω'中的一個對稱點。

(1)

其中，d>0，d為局部參數；k的取值為2和4。

(2)

其中，k＇的取值為1和3。

DP1(ξ)即為不對稱度的計算模型。DP1(ξ)必定是在[0, 1]區間內取值的，式(1)中的運算范圍是

(3)

1.2 二維圖像的不對稱度計算模型

上節中的Dp1(ξ)計算模型(1)與計算模型(2)在實際計算過程當中，首先選擇并給定左側病變的區域Ω，通過搜索另一側相對應的區域中的對稱點，并求出對應的ROI區域Ω'，從而計算出左右病變區域的不對稱度。設定k=2,z值定義為圖像序號，則可將此計算模型改進為適應二維醫學圖像的計算模型，改進的計算表達式為：

(4)

經過改進后的計算模型(4)不但適合于二維醫學圖像的計算，而且使計算適合代數運算，且易于算法優化，加速計算過程。另外經過改進后的計算模型(4)依然可以證明擁有空間仿射變換下的不變屬性特征[10]。

2 面癱醫學圖像的不對稱度計算模型的實現方法

不對稱性在自然界中廣泛存在，而對不對稱性的判斷往往依賴于人的主觀行為。面癱在臨床上常表現為單側面部肌肉癱瘓，面部兩側的不對稱性是臨床醫生進行面癱診斷的主要依據。由于不對稱性是空間映射下的不變屬性，從直觀而言，三維圖像在X、Y軸兩個方向同時壓縮或放大不會影響其對稱性。本文提出的面癱不對稱度計算模型基于面部特征點的檢測和面部區域的劃分，首先對圖像進行預處理和歸一化，然后通過數字圖像處理方法提取人臉區域，并找出人臉對稱軸，然后按對稱軸將人臉區域分成左右對稱的相同大小的ROI區域，左半部分提取特征信息，右半部分進行水平翻轉后同樣提取特征信息，左右兩區域的特征通過1.2節的方法計算其不對稱度，最后通過SVM分類器輸出面癱分類結果。

不對稱度模型算法實現的具體步驟:

(1)讀入面癱病例不同診療過程的圖像。

(2)面癱圖像的預處理和旋轉修正。

人臉的傾斜會對對稱特征的提取產生直接影響，所以有必要對圖像進行旋轉修正，將所有的圖像修正為正臉。本文選取兩眼內側端點為基準進行旋轉。假設左眼內側端點位置坐標為E1(x1,y1)，右眼內側端點位置坐標為E2(x2,y2)，則定義旋轉夾角α為：

(5)

(3)確定人臉對稱軸，并求出關于對稱軸的對稱點位置。

根據數字圖像處理方法確定人臉對稱軸，并根據面部結構特征結合平面幾何原理求出對稱點的位置坐標。根據平面幾何原理，在平面直角坐標系中，平面上的直線實際上就是二元一次方程所對應的圖形。如果采用一般式ax+by+c=0表示直線方程,則點(x,y)關于該直線方程的對稱點坐標(x＇,y＇)為：

(6)

(4)獲取對稱軸參數和ROI參數，利用公式(6)求出左右對稱區域。

(5)利用公式(4)計算出不對稱度。

對稱軸確定后，獲取對稱軸參數和人臉左右ROI參數，按對稱軸對人臉進行左右分割，通過式(4)提取不對稱度特征。

(6)采用支持向量機(Suport Vector Machine,SVM)對提取到的不對稱度特征進行預測分類，根據分類結果得到最后對應的面癱級別。

3 面癱醫學圖像的不對稱度計算的數值結果分析

3.1 實驗數據與實驗環境

對于面癱診療評估的相關研究，由于涉及到患者的個人隱私，目前還沒有公開的圖像數據集。本文所做的全部實驗是在福建省龍巖市第二醫院康復科提供的醫學影像資料基礎上開展的。根據HB分級法，選擇了57例面癱患者在診療過程中拍攝的圖像作為實驗數據，實驗數據包括HB分級法規定的患者在做抬眉、閉眼、聳鼻、鼓腮和示齒等5個面部動作時的部分圖像。對應于HB分級法的評分標準，本文將面癱等級分為5級：0代表正常(對應HB中的I級)，1代表輕度面癱(對應HB中的II級和III級)，2代表中度面癱(對應HB中的IV級和V級)，3代表重度面癱(對應HB中的VI級)。面癱等級的確定由三位專業醫生進行明確標注，并由一位資質醫療專家對標注進行最終審核確認。實驗采用Python+OpenCV(PIL)+Numpy+Scipy進行算法計算和仿真。實驗圖像數據的具體數量如表1所示。

表1 實驗圖像數據表

3.2 實驗數據預處理

數據的采集過程往往受到采集設備、拍攝角度、拍攝距離、光照以及患者的配合程度等因素的影響，為此本文對實驗原圖像進行了預處理和歸一化。大量的實驗表明，人臉的傾斜將影響后續特征的提取和最終面癱等級的判別，對傾斜的圖像，本文采用公式(5)進行旋轉修正。修正前后的效果圖如圖1、圖2所示。

(a)示齒

(b)閉眼圖1 修正前

(a)示齒

(b)閉眼圖2 修正后

由圖1可以看到，圖1(a)、 圖1(b)為旋轉修正前圖像，其中圖1(a)為示齒動作圖像，向左傾斜較明顯，兩只眼睛包括眉毛明顯不在同一水平線上；圖1(b)為閉眼動作圖像，稍向右傾斜。圖2(a)、圖2(b)為旋轉修正后的圖像，其中圖2(a)兩只眼睛完全處于同一水平線上，圖2(b)相較與旋轉修正前也得到了明顯改善。

3.3 實驗結果與統計分析

針對預處理和歸一化后的圖像，分別提取五種面部動作所對應的特征，計算其不對稱度，計算結果如表2所示。與表1相對應，表2中五種面部動作的圖像數都為57，但正常人(對應0級)與面癱患者(對應1、2、3級)的圖像數并不完全相同。對五種面部動作的不對稱度計算結果的平均值進行對比分析可知，正常人的不對稱度值通常集中在一個特定的區間，而面癱患者與正常人的不對稱度值有明顯的差異，且不對稱度值隨著面癱嚴重程度的增加呈階躍式上升，不對稱度的值越大，則表示面癱的程度越嚴重。這表明本文提出的不對稱度計算模型對于區分是否面癱以及面癱的嚴重程度具有較好的區分度。

表2 正常人和面癱患者的不對稱度計算結果對比

為進一步驗證本文方法的有效性和優越性，本文選用文獻[4]中提到的Gabor+SVM和文獻[6]中提到的LBP+SVM兩種經典方法進行對比實驗。不同方法的平均準確率如表3所示。

表3 五種面部動作不同方法的平均準確率對比

從表3可以看到，兩種經典方法對于五種動作的平均準確率均在80%以下，而本文方法除聳鼻外，其余動作的平均準確率均在80%以上，其中鼓腮、閉眼兩種動作的準確率達到85%以上，這是因為嘴角、眼晴兩個部分相對于面部的其他結構，其不對稱性在視覺上較為明顯，這與臨床醫生在實際面癱診斷中普遍先檢查嘴角、眼晴的不對稱性也是一致的。針對五種不同的面部動作，本文方法的平均準確率都有較大幅度的提高。

4 結論

本文提出了用于面癱診療評估的不對稱度計算模型，按照臨床醫生的面癱診斷流程，針對面癱診療過程中五種不同的面癱診斷動作的圖像數據，分別提取不對稱度特征，對每個面部動作分別計算其不對稱度并進行分級評估，確保評估的結果能夠體現面部功能的特殊細節差異。從數值計算與分析結果可知，相對于傳統的面癱分級評估方法，該模型給出的計算數值指標在面癱分級評估的平均準確率上有明顯提高，且與臨床專家的診斷結果基本相符。這表明本文提出的不對稱度計算模型和算法對于面癱疾病的診斷評估具有一定的參考價值。隨著面癱數據的不斷積累和擴充，可進一步研究差異化特征的選取和特征區域的精準定位，并采用深度學習算法進行更深層次的數據處理，實現更快速和更客觀的面癱診斷和分級評估。