[发明专利]一种基于人工智能的面瘫分级诊断方法、装置

说明书

本发明公开了基于人工智能的面瘫分级诊断方法、装置，所述面瘫分级诊断方法通过获取患者面部正面图像，并将所述患者面部正面图像输入面瘫诊断模型得到HB分级和FNGS2.0分区评分；其中，所述面瘫诊断模型是训练Softmax非线性分类器得到的，本发明能够准确、快速地对面瘫进行分级诊断，消除主观评价的不一致性，辅助医师决策。其输入数据便于获得、技术敏感性低，输出结果为临床已广泛认可的分级标准，易于推广使用。

技术领域

本发明涉及人工智能技术领域，尤其涉及基于人工智能的面瘫分级诊断方法、装置、电子设备及存储介质。

背景技术

贝尔面瘫、创伤、肿瘤及医源性损伤都可能造成面瘫，对面瘫程度的分级诊断将贯穿整个治疗过程，用以评估患者的病情。相较于肌电图等技术，图像学方法是最直观、无创且便捷的。目前临床上受限于接诊时间、诊室空间和经费，医师大多仍采用传统的主观评价方法，即医生当场观察患者特定面部表情，或这些表情的照片，依照某些分级标准根据经验给出分级。

人工智能(AI)能够建立输入数据与输出结果的映射关系模型。在本领域，输出结果即为面瘫分级，除了常用的HB分级、FNGS2.0分级外，其他有助于临床决策的分级标准均可按需纳用。输入数据可以是原始图片，也可以是图片预先经过处理后获得的数据。有研究者创建了一个面瘫的四级分级标准(区分左右侧共七类)，将患者图片作为输入数据，专家根据图片给出的七类分级为输出结果，将卷积神经网络(CNN)GoogleNet Inception v3和DeepID相结合得到适用于面瘫分级的Inception-DeepID-FNP(IDFNP)CNN，以此三者获得了一种全新的面瘫分级方法。该方法存在两点缺陷：其一，医师对于分级标准的使用粘性高，HB分级、FNGS2.0分级在基层、国内顶尖医院乃至国际上有着深厚的使用基础，医师很难改变惯用的方法，因此自创的分级标准如果没有明显超越前人的优势将难以推广，进而降低了该方法的临床应用价值。其二，AI的特性使之能够发掘人类主观认知背后的客观规律，优点是拓展了数据获取的范围，但同样无关的噪声(比如背景)也会被纳入模型，造成偏倚。

发明内容

本发明的目的在于提供一种基于人工智能的面瘫分级诊断方法、装置、电子设备及存储介质，弥补现有技术的不足，使面瘫分级诊断结果更便捷、准确且易于推广。

第一方面，本发明实施例提供了一种基于人工智能的面瘫分级诊断方法，所述面瘫分级诊断方法包括以下步骤：

S20、获取患者面部正面图像，所述正面图像包括静止状态、抬眉、皱眉、闭眼、耸鼻、撅嘴、示齿及大张口图像；

S40、将所述患者面部正面图像输入面瘫诊断模型得到HB分级和FNGS2.0分区评分；其中，所述面瘫诊断模型是训练Softmax非线性分类器得到的。

进一步地，面瘫诊断模型的建立包括：

S401、卷积神经网络HRNet识别面部标志点的预训练：使用IBUG数据库对HRNet进行标志点识别预训练；

S402、卷积神经网络HRNet识别口腔颌面部疾病患者面部标志点的预训练：使用OMD数据库对HRNet进行标志点识别预训练；

S403、获取多组患者面部正面采样图像，所述正面采样图像包括静止状态、抬眉、皱眉、闭眼、耸鼻、撅嘴、示齿及大张口图像，分别编号为M0、M2、M3、M4、M5、M6、M7；

S404、将所述多组面部正面采样图像输入预先训练的卷积神经网络HRNet得到标注面部68个标志点的图像；

S405、获取反映标注面部68个标志点的图像的面部静态对称性的数集SS及动态对称性的数集DSx；

S406、获取多组患者面部正面采样图像的HB分级和FNGS2.0分区评分；