面瘫诊疗评估计算模型的研究面瘫诊疗评估计算模型的研究

兰添才，陈 俊，黄 婧，马伟良

(1.龙岩学院；2.龙岩市第二医院；3.闽西职业技术学院 福建龙岩 364000)

面瘫是一种面部肌肉运动功能受阻的常见疾病，现代中医称为面神经麻痹，其主要症状表现为患者难以正常完成如抬眉、闭眼、耸鼻、鼓腮和示齿等基本的面部动作。临床上对面瘫的严重程度分级评估最常采用House-Brackmann(HB)分类量表[1]及其改进方法[2]。基于HB方法，临床医生主要根据两个方面对面瘫病情严重程度进行评估，一是患者面部在静止状态下的不对称性，二是患者在做面部动作时人脸两侧表情肌的运动功能差异。由于患者的主观配合程度的差异以及医生的主观观察偏差，最终的诊断准确性过度依赖于医生的经验，诊断过程慢而且容易造成误诊。

临床治疗中近年来一直关注计算机辅助诊断(Computer Aided Diagnosis)，其通过专业算法可先行提取数字图像中具有诊断价值的特征，并进一步优化特征，进行分类诊断，帮助医生尽快分析诊断和评估疾病存在的可能性及严重程度，提高诊断准确度和工作效率。目前国内外诸多学者已对面瘫的计算机辅助诊断方法进行了相关研究，提出了各种基于不同算法的识别与评估方法。如：NELLY等提出一种计算机辅助分析面部运动功能分级方法[3]；林杨等提出了一种面瘫患者面部运动功能自动分级方法[4]；王倩倩提出基于AAM(Active Appearance Model)的面神经运动功能评价方法[5]；NGO等提出结合Gabor特征和LBP(Local Binary Patterns,LBP)特征进行面瘫的定量评估[6]。WANG等通过结合患者面部静态特征与动态特征提出了一种评估面瘫严重程度的新方法[7]；许鹏飞等提出一种基于深度时序特征的面瘫分级评估方法[8]；杨春磊提出基于视频分析的面瘫等级自动评估方法[9]。

综合面瘫诊疗评估的国内外研究现状，面瘫的计算机辅助诊断能够相对快速和客观地进行面瘫的分级评估。现有的研究方法主要集中在面瘫检测和面部不对称性的评价，如何提高这些检测方法及不对称性评价的准确度，关键在于需要对面瘫患者诊疗过程的面部特征进行精准量化描述与评估，而现有的研究方法普遍缺乏对这种面部不对称性进行细致的量化和综合评估[8-9]。本文将构造出一种用于面瘫诊疗的不对称度计算模型和计算不对称度的算法，并量化这些不对称性，辅助医生提高诊断面瘫疾病的准确度和诊断效率。

1 医学图像的不对称度计算模型

医学图像以研究人体器官为主要对象，人体存在着大量对称性，例如人的五官以及某些骨骼等。一些医学疾病会导致人体的某些器官产生病变，进而导致这些器官变成不对称。器官不对称的差异程度可通过构造计算模型进行度量，借助该模型通过医学图像的数值计算可以为临床医生提供比较客观的诊断判定方法。文献[10]提出了一种仿射变换下的医学图像不对称度计算方法并应用于胆脂瘤的诊断，通过遍历感兴趣区域(Region Of Interest，ROI)的点，并利用基于给定的对称点的不对称度的计算的算法求出每一个点的不对称度，并进行比较，最终获得整个区域的不对称度。

1.1 三维图像的不对称度计算模型[10]

三维图像可用三元函数ξ(x,y,z)或者ξ(P)来表示(记P=(x,y,z)，x、y、z是像素的空间坐标)。其中，ξ(P)表示三维图像在空间点P处的特征值。

假定Ω、Ω'是互相对称的ROI病变区域。对于点P，令其对称点为Q(P)，则Q(P)是关于P0、P1、P的函数Q(P,P0,P1)。其中P0为病变区域Ω中的一个初始点，P1为病变区域Ω'中的一个对称点。

(1)

其中，d>0，d为局部参数；k的取值为2和4。

(2)

其中，k＇的取值为1和3。

DP1(ξ)即为不对称度的计算模型。DP1(ξ)必定是在[0, 1]区间内取值的，式(1)中的运算范围是

(3)

1.2 二维图像的不对称度计算模型

上节中的Dp1(ξ)计算模型(1)与计算模型(2)在实际计算过程当中，首先选择并给定左侧病变的区域Ω，通过搜索另一侧相对应的区域中的对称点，并求出对应的ROI区域Ω'，从而计算出左右病变区域的不对称度。设定k=2,z值定义为图像序号，则可将此计算模型改进为适应二维医学图像的计算模型，改进的计算表达式为：

(4)

经过改进后的计算模型(4)不但适合于二维医学图像的计算，而且使计算适合代数运算，且易于算法优化，加速计算过程。另外经过改进后的计算模型(4)依然可以证明拥有空间仿射变换下的不变属性特征[10]。

2 面瘫医学图像的不对称度计算模型的实现方法

不对称性在自然界中广泛存在，而对不对称性的判断往往依赖于人的主观行为。面瘫在临床上常表现为单侧面部肌肉瘫痪，面部两侧的不对称性是临床医生进行面瘫诊断的主要依据。由于不对称性是空间映射下的不变属性，从直观而言，三维图像在X、Y轴两个方向同时压缩或放大不会影响其对称性。本文提出的面瘫不对称度计算模型基于面部特征点的检测和面部区域的划分，首先对图像进行预处理和归一化，然后通过数字图像处理方法提取人脸区域，并找出人脸对称轴，然后按对称轴将人脸区域分成左右对称的相同大小的ROI区域，左半部分提取特征信息，右半部分进行水平翻转后同样提取特征信息，左右两区域的特征通过1.2节的方法计算其不对称度，最后通过SVM分类器输出面瘫分类结果。

不对称度模型算法实现的具体步骤:

(1)读入面瘫病例不同诊疗过程的图像。

(2)面瘫图像的预处理和旋转修正。

人脸的倾斜会对对称特征的提取产生直接影响，所以有必要对图像进行旋转修正，将所有的图像修正为正脸。本文选取两眼内侧端点为基准进行旋转。假设左眼内侧端点位置坐标为E1(x1,y1)，右眼内侧端点位置坐标为E2(x2,y2)，则定义旋转夹角α为：

(5)

(3)确定人脸对称轴，并求出关于对称轴的对称点位置。

根据数字图像处理方法确定人脸对称轴，并根据面部结构特征结合平面几何原理求出对称点的位置坐标。根据平面几何原理，在平面直角坐标系中，平面上的直线实际上就是二元一次方程所对应的图形。如果采用一般式ax+by+c=0表示直线方程,则点(x,y)关于该直线方程的对称点坐标(x＇,y＇)为：

(6)

(4)获取对称轴参数和ROI参数，利用公式(6)求出左右对称区域。

(5)利用公式(4)计算出不对称度。

对称轴确定后，获取对称轴参数和人脸左右ROI参数，按对称轴对人脸进行左右分割，通过式(4)提取不对称度特征。

(6)采用支持向量机(Suport Vector Machine,SVM)对提取到的不对称度特征进行预测分类，根据分类结果得到最后对应的面瘫级别。

3 面瘫医学图像的不对称度计算的数值结果分析

3.1 实验数据与实验环境

对于面瘫诊疗评估的相关研究，由于涉及到患者的个人隐私，目前还没有公开的图像数据集。本文所做的全部实验是在福建省龙岩市第二医院康复科提供的医学影像资料基础上开展的。根据HB分级法，选择了57例面瘫患者在诊疗过程中拍摄的图像作为实验数据，实验数据包括HB分级法规定的患者在做抬眉、闭眼、耸鼻、鼓腮和示齿等5个面部动作时的部分图像。对应于HB分级法的评分标准，本文将面瘫等级分为5级：0代表正常(对应HB中的I级)，1代表轻度面瘫(对应HB中的II级和III级)，2代表中度面瘫(对应HB中的IV级和V级)，3代表重度面瘫(对应HB中的VI级)。面瘫等级的确定由三位专业医生进行明确标注，并由一位资质医疗专家对标注进行最终审核确认。实验采用Python+OpenCV(PIL)+Numpy+Scipy进行算法计算和仿真。实验图像数据的具体数量如表1所示。

表1 实验图像数据表

3.2 实验数据预处理

数据的采集过程往往受到采集设备、拍摄角度、拍摄距离、光照以及患者的配合程度等因素的影响，为此本文对实验原图像进行了预处理和归一化。大量的实验表明，人脸的倾斜将影响后续特征的提取和最终面瘫等级的判别，对倾斜的图像，本文采用公式(5)进行旋转修正。修正前后的效果图如图1、图2所示。

(a)示齿

(b)闭眼图1 修正前

(a)示齿

(b)闭眼图2 修正后

由图1可以看到，图1(a)、 图1(b)为旋转修正前图像，其中图1(a)为示齿动作图像，向左倾斜较明显，两只眼睛包括眉毛明显不在同一水平线上；图1(b)为闭眼动作图像，稍向右倾斜。图2(a)、图2(b)为旋转修正后的图像，其中图2(a)两只眼睛完全处于同一水平线上，图2(b)相较与旋转修正前也得到了明显改善。

3.3 实验结果与统计分析

针对预处理和归一化后的图像，分别提取五种面部动作所对应的特征，计算其不对称度，计算结果如表2所示。与表1相对应，表2中五种面部动作的图像数都为57，但正常人(对应0级)与面瘫患者(对应1、2、3级)的图像数并不完全相同。对五种面部动作的不对称度计算结果的平均值进行对比分析可知，正常人的不对称度值通常集中在一个特定的区间，而面瘫患者与正常人的不对称度值有明显的差异，且不对称度值随着面瘫严重程度的增加呈阶跃式上升，不对称度的值越大，则表示面瘫的程度越严重。这表明本文提出的不对称度计算模型对于区分是否面瘫以及面瘫的严重程度具有较好的区分度。

表2 正常人和面瘫患者的不对称度计算结果对比

为进一步验证本文方法的有效性和优越性，本文选用文献[4]中提到的Gabor+SVM和文献[6]中提到的LBP+SVM两种经典方法进行对比实验。不同方法的平均准确率如表3所示。

表3 五种面部动作不同方法的平均准确率对比

从表3可以看到，两种经典方法对于五种动作的平均准确率均在80%以下，而本文方法除耸鼻外，其余动作的平均准确率均在80%以上，其中鼓腮、闭眼两种动作的准确率达到85%以上，这是因为嘴角、眼晴两个部分相对于面部的其他结构，其不对称性在视觉上较为明显，这与临床医生在实际面瘫诊断中普遍先检查嘴角、眼晴的不对称性也是一致的。针对五种不同的面部动作，本文方法的平均准确率都有较大幅度的提高。

4 结论

本文提出了用于面瘫诊疗评估的不对称度计算模型，按照临床医生的面瘫诊断流程，针对面瘫诊疗过程中五种不同的面瘫诊断动作的图像数据，分别提取不对称度特征，对每个面部动作分别计算其不对称度并进行分级评估，确保评估的结果能够体现面部功能的特殊细节差异。从数值计算与分析结果可知，相对于传统的面瘫分级评估方法，该模型给出的计算数值指标在面瘫分级评估的平均准确率上有明显提高，且与临床专家的诊断结果基本相符。这表明本文提出的不对称度计算模型和算法对于面瘫疾病的诊断评估具有一定的参考价值。随着面瘫数据的不断积累和扩充，可进一步研究差异化特征的选取和特征区域的精准定位，并采用深度学习算法进行更深层次的数据处理，实现更快速和更客观的面瘫诊断和分级评估。