儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述

doi:10.11772/j.issn.1001-9081.2020121963

《计算机应用》唯一官方网站 ›› 2021, Vol. 41 ›› Issue (11): 3394-3401.DOI: 10.11772/j.issn.1001-9081.2020121963

儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述

赵津¹, 宋文爱¹, 邰隽²(), 杨吉江³, 王青³, 李晓丹⁴, 雷毅³, 邱悦⁴

^1.中北大学软件学院，太原 030051
^2.首都儿科研究所附属儿童医院耳鼻咽喉头颈外科，北京 100020
^3.清华大学自动化系，北京 100084
^4.首都医科大学附属北京儿童医院耳鼻咽喉头颈外科北京 100045

收稿日期:2020-12-14 修回日期:2021-06-02 接受日期:2021-06-29 发布日期:2021-03-05 出版日期:2021-11-10
通讯作者: 邰隽
作者简介:赵津（1995—），男，山西阳泉人，硕士研究生，主要研究方向：软件工程、数字医疗
宋文爱（1964—），女，山西临汾人，教授，博士，主要研究方向：数字医疗、计算机视觉
邰隽（1978—），男，辽宁辽阳人，主任医师，博士研究生，主要研究方向：儿童睡眠呼吸障碍疾病
杨吉江（1968—），男，北京人，教授，博士，主要研究方向：数字医疗
王青（1977—），男，北京人，博士，研究员，主要研究方向：人工智能辅助诊断
李晓丹（1989—），女，山东莱芜人，住院医师，博士，主要研究方向：儿童睡眠呼吸障碍疾病
雷毅（1990—），山西汾阳人，男，助理研究员，博士，主要研究方向：人工智能辅助诊断
邱悦（1996—），女，江西省安人，住院医师，硕士，主要研究方向：儿童睡眠呼吸障碍疾病。
基金资助:
北京市朝阳区协同创新项目(CYXC2010)

Review of computer-aided face diagnosis for obstructive sleep apnea in children

Jin ZHAO¹, Wen’ai SONG¹, Jun TAI²(), Jijiang YANG³, Qing WANG³, Xiaodan LI⁴, Yi LEI³, Yue QIU⁴

^1.School of Software，North University of China，Taiyuan Shanxi 030051，China
^2.Department of Otolaryngology-Head and Neck Surgery，Children’s Hospital Affiliated to Capital Institute of Pediatrics，Beijing 100020，China
^3.Department of Automation，Tsinghua University，Beijing 100084，China
^4.Department of Otolaryngology-Head and Neck Surgery，Beijing Children’s Hospital，Capital Medical University，Beijing 100045，China

Received:2020-12-14 Revised:2021-06-02 Accepted:2021-06-29 Online:2021-03-05 Published:2021-11-10
Contact: Jun TAI
About author:ZHAO Jin，born in 1995，M. S. candidate. His research interests include software engineering，digital medicine
SONG Wen’ai，born in 1964，Ph. D.，professor. Her research interests include digital medicine，computer vision
TAI Jun，born in 1978，Ph. D. candidate，chief physician. His research interests include children sleep disordered breathing disease
YANG Jijiang，born in 1968，Ph. D.，professor. His research interests include digital medicine
WANG Qing，born in 1977，Ph. D.，research fellow. His research interests include artificial intelligence aided diagnosis
LI Xiaodan， born in 1989， Ph. D.， resident physician. Her research interests include children sleep disordered breathing disease
LEI Yi，born in 1990，Ph. D.，assistant research fellow. His research interests include artificial intelligence aided diagnosis
QIU Yue，born in 1996，M. S.，resident physician. Her research interests include children sleep disordered breathing disease.
Supported by:
the Collaborative Innovation Project of Beijing Chaoyang District(CYXC2010)

摘要/Abstract

摘要：

利用人脸图片辅助诊断儿童阻塞性睡眠呼吸暂停（OSA）可以减轻医生的负担，提高诊断的准确率。首先，简要阐述了目前儿童OSA临床诊断中的方法及其局限性；然后，在研究了目前已有方法的基础上，结合计算机人脸辅助诊断其他疾病的方法，将计算机人脸辅助诊断儿童OSA的方法分为三种类型：传统的计算机人脸辅助诊断方法、基于迁移学习的诊断方法、基于3D人脸数据的诊断方法，综述了三种类型的方法中的关键步骤，并对这些关键步骤中使用的方法进行了对比研究，为将来儿童OSA计算机人脸辅助诊断的研究提供了不同的切入点；最后，分析了儿童OSA诊断未来研究中的机遇和挑战。

关键词: 计算机辅助诊断, 儿童阻塞性睡眠呼吸暂停, 人脸关键点检测, 人脸特征提取, 迁移学习

Abstract:

Using face images in the diagnosis of Obstructive Sleep Apnea （OSA） in children can reduce the burden of doctors and improve the accuracy of diagnosis. Firstly， the current methods and their limitations of OSA in children clinical diagnosis were briefly described. Then， on the basis of studying the existing methods， combining with the methods of computer-aided face diagnosis of other diseases， the computer-aided face diagnosis methods of OSA in children were divided into three types： traditional computer-aided face diagnosis methods， transfer learning based diagnosis methods， and 3D face data based diagnosis methods. The key steps of the three types of methods were summarized， and the methods used in these key steps were compared， which provides different entry points for the future research of computer-aided face diagnosis for OSA in children. Finally， the opportunities and challenges in the future research of OSA in children diagnosis were analyzed.

Key words: computer-aided diagnosis, Obstructive Sleep Apnea (OSA) in children, face key point detection, face feature extraction, transfer learning

中图分类号:

TP311

赵津, 宋文爱, 邰隽, 杨吉江, 王青, 李晓丹, 雷毅, 邱悦. 儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述[J]. 计算机应用, 2021, 41(11): 3394-3401.

Jin ZHAO, Wen’ai SONG, Jun TAI, Jijiang YANG, Qing WANG, Xiaodan LI, Yi LEI, Yue QIU. Review of computer-aided face diagnosis for obstructive sleep apnea in children[J]. Journal of Computer Applications, 2021, 41(11): 3394-3401.

图/表 11

图1 传统的儿童OSA人脸辅助诊断流程

Fig. 1 Flow chart of traditional face aided diagnosis of OSA in children

图2 基于迁移学习的儿童OAS诊断流程

Fig. 2 Flow chart of OAS diagnosis in children based on transfer learning

图3 基于3D人脸数据的儿童OAS诊断流程

Fig. 3 Flow chart of OAS in childrendiagnosis based on 3D face data

表1 人脸检测方法的优缺点对比

Tab. 1 Comparison of advantages and disadvantages of face detection methods

方法	优点	缺点
基于特征的方法	简单，易于实现，对于光照、姿态的鲁棒性较高	某些特征由相关人员观察得出，局限性较大
基于AdaBoost方法	速度快，准确率较高	容易过拟合，Haar特征稳定性低
基于图像的方法	准确率高	需要更多的数据库，而且对于遮挡和光照的鲁棒性不高，容易受噪声影响

图4 人脸关键点检测

Fig. 4 Face keypoint detection

表2 人脸关键点检测方法的优缺点对比

Tab. 2 Comparison of advantages and disadvantages of face keypoint detection methods

方法	优点	缺点
基于ASM传统方法	模型简单，易于理解，基本满足要求	运算效率低
基于级联回归方法	模型简单，实用性强，适合大规模数据	对于姿态较大的人脸效果很差
基于深度学习的方法	对于姿势变化较大和有遮挡的人脸识别精度也很高	普遍存在算法复杂，模型复杂度太高

表3 人脸特征提取方法的优缺点对比

Tab. 3 Comparison of advantages and disadvantages of face feature extraction methods

方法	优点	缺点	改进方法
基于欧氏距离的几何特征提取	方便实用	从3D投影到2D时，脸上的关键点实际距离差别很大	用2D人脸坐标进行3D人脸重构等
基于Gabor小波变换的纹理特征提取	简单实用，可以提取到空间局部的低频特征	提取到的特征信息不全面，维度高，数据庞大	降维PCA；二维Gabor小波与AR-LGC 相结合的人脸特征提取等
基于颜色直方图的颜色特征提取	反映了图像中颜色的分布，可以比较图像间的颜色差	丢失了像素点间的位置特征	颜色集等
基于神经网络的深度特征提取	准确度高	结构复杂，需要大规模的数据库进行训练	不断改进模型的参数和优化方法，建立更多姿态的2D人脸数据库等

表4 医疗领域使用的迁移学习网络模型及相应的源域数据集

Tab. 4 Transfer learning network models used in medical field and corresponding source domain data sets

方案	源域数据集	网络模型
文献［33］方案	ImageNet	OverFeat
文献［42］方案	ImageNet	VGGNet-16
文献［35］方案	ImageNet	GoogleNet Inception v3
文献［34］方案	ImageNet	VGGNet-16和ResNet-50
文献［36］方案	CASIA Web-Face	深格塔式的深卷积神经网络结构
文献［17］方案	CASIA Web-Face	10个卷积层的DCNN，并把大内核分解为多个较小内核的多层网络
文献［37］方案	VGG-Face	5个卷积层的DCNN

表5 常见的三维人脸数据获取方法的特点对比

Tab. 5 Characteristics comparison of common 3D face data acquisition methods

3D人脸模型	方法	特点
CT	用X射线生成人体横截面	包含有关软组织和硬组织的3D信息，费用昂贵，病人暴露在辐射下
深度图	将3D面的 $z$ 轴值投影到2D平面上	扫描速度快，精确度较高，但不适用于3D视频录制
点云	测量光图案的变形以计算表面形状	扫描速度更快，但精确度与深度图相比有所下降
网格	匹配不同摄像机采集到的点，并计算三维位置	包含的三维信息更多，模型更精确，但需要大量的内存
3dMD系统	六对同步摄像头组成，用三角剖分合并图像	无辐射影响，精确度高

表5 常见的三维人脸数据获取方法的特点对比

Tab. 5 Characteristics comparison of common 3D face data acquisition methods

3D人脸模型	方法	特点
CT	用X射线生成人体横截面	包含有关软组织和硬组织的3D信息，费用昂贵，病人暴露在辐射下
深度图	将3D面的 $z$ 轴值投影到2D平面上	扫描速度快，精确度较高，但不适用于3D视频录制
点云	测量光图案的变形以计算表面形状	扫描速度更快，但精确度与深度图相比有所下降
网格	匹配不同摄像机采集到的点，并计算三维位置	包含的三维信息更多，模型更精确，但需要大量的内存
3dMD系统	六对同步摄像头组成，用三角剖分合并图像	无辐射影响，精确度高

图5 三种常用的三维人脸结构

Fig. 5 Three commonly used 3D face structures

表6 3D人脸数据特征提取方法的特点对比

Tab. 6 Characteristics comparison of 3D face data feature extraction methods

方案	方法	特点
文献［51-53］方案	使用线性距离和角度	简单实用，易于测量和比较，但在形状分析上会有很多困难
文献［13］方案	持久同源性	持久同源性结合了几何的区分能力和拓扑的分类能力
文献［14］方案	GMM	对整体形状进行分析，还可以减少误差
文献［13］方案	使用神经网络自动提取深度表型特征	神经网络可以学到更深层次的深度表型特征，理论上可以更好地进行分类，但是需要庞大的数据库、参数、优化方法

参考文献 55

1	GUILLEMINAULT C， ELDRIDGE F L， SIMMONS F B， et al. Sleep apnea in eight children ［J］. Pediatrics， 1976， 58（1）： 23-30. 10.1146/annurev.me.27.020176.002341
2	FARBER J M. Clinical practice guideline： diagnosis and management of childhood obstructive sleep apnea syndrome ［J］. Pediatrics， 2002， 110（6）： 1255-1257. 10.1542/peds.110.6.1255-a
3	MARCUS C L， BROOKS L J， DRAPER K A， et al. Diagnosis and management of childhood obstructive sleep apnea syndrome ［J］. Pediatrics， 2012， 130（3）： 576-584. 10.1542/peds.2012-1671
4	GUILLEMINAULT C， HUANG Y S， GLAMANN C， et al. Adenotonsillectomy and obstructive sleep apnea in children： a prospective survey ［J］. Otolaryngology-Head and Neck Surgery， 2007， 136（2）： 169-175. 10.1016/j.otohns.2006.09.021
5	MARCUS C L， OMLIN K J， BASINKI D J， et al. Normal polysomnographic values for children and adolescents ［J］. American Review of Respiratory Disease， 1992， 146（5Pt1）： 1235-1239. 10.1164/ajrccm/146.5_pt_1.1235
6	倪鑫.中国儿童阻塞性睡眠呼吸暂停诊断与治疗指南（2020）［J］.中国循证医学杂志，2020，20（8）：883-900.
	NI X. Chinese guideline for the diagnosis and treatment of childhood obstructive sleep apnea （2020）［J］. Chinese Journal of Evidence-Based Medicine， 2020， 20（8）： 883-900.
7	HU X， ZHANG Q Y， YANG J J， et al. Photographic analysis and machine learning for diagnostic prediction of adenoid hypertrophy ［C］// Proceedings of the 2019 IEEE 16th International Conference on Networking， Sensing and Control. Piscataway： IEEE， 2019： 7-11. 10.1109/icnsc.2019.8743276
8	KOCA C F， ERDEM T， BAYINDIR T. The effect of adenoid hypertrophy on maxillofacial development： an objective photographic analysis ［J］. Journal of Otolaryngology-Head and Neck Surgery， 2016， 45： Article No.48. 10.1186/s40463-016-0161-3
9	BALAEI A T， SUTHERLAND K， CISTULLI P A， et al. Automatic detection of obstructive sleep apnea using facial images ［C］// Proceedings of the 2017 IEEE 14th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2017： 215-218. 10.1109/isbi.2017.7950504
10	SONG W N， LEI Y， CHEN S， et al. Multiple facial image features-based recognition for the automatic diagnosis of turner syndrome ［J］. Computers in Industry， 2018， 100： 85-95. 10.1016/j.compind.2018.03.021
11	SCHNEIDER H J， KOSILEK R P， GÜNTHER M， et al. A novel approach to the detection of acromegaly： accuracy of diagnosis by automatic face classification ［J］. The Journal of Clinical Endocrinology and Metabolism， 2011， 96（7）： 2074-2080. 10.1210/jc.2011-0237
12	KUMOV V， SAMORODOV A. Recognition of genetic diseases based on combined feature extraction from 2D face images ［C］// Proceedings of the 2020 26th Conference of Open Innovations Association. Piscataway： IEEE， 2020： 1-7. 10.23919/fruct48808.2020.9087456
13	KIAEE M， KASHLAK A B， KIM J， et al. Diagnosis of pediatric obstructive sleep apnea via face classification with persistent homology and convolutional neural networks ［EB/OL］. （2019-10-26）［2021-04-22］. .
14	WU F Y H. 3D facial morphology and risk of sleep disordered breathing in children ［D］. Vancouver： University of British Columbia， 2020： 25-35. 10.1007/s11325-020-02096-z
15	VIOLA P， JONES M. Rapid object detection using a boosted cascade of simple features ［C］// Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2001： 511‐518. 10.1109/cvpr.2001.990517
16	ZHANG K， ZHANG Z， LI Z， et al. Joint face detection and alignment using multitask cascaded convolutional networks ［J］. IEEE Signal Processing Letters， 2016， 23（10）： 1499-1503. 10.1109/lsp.2016.2603342
17	QIN B S， LIANG L T， WU J C， et al. Automatic identification of down syndrome using facial images with deep convolutional neural network ［J］. Diagnostics， 2020， 10（7）： Article No.487. 10.3390/diagnostics10070487
18	肖阳.人脸检测算法综述［J］.电子技术与软件工程，2014（4）：113-116.
	XIAO Y. A survey of face detection algorithms ［J］. Electronic Technology and Software Engineering， 2014（4）： 113-116.
19	梁雅琪，宋文爱，杨吉江，等.人脸辅助诊断关键技术研究［J］.计算机工程与应用，2019，55（15）：24-31. 10.3778/j.issn.1002-8331.1903-0154
	LIANG Y Q， SONG W A， YANG J J， et al. Research on key technologies of facial-assisted diagnosis ［J］. Computer Engineering and Applications， 2019， 55（15）： 24-31. 10.3778/j.issn.1002-8331.1903-0154
20	COOTES T F， TAYLOR C J， COOPER D H， et al. Active shape models — their training and application ［J］. Computer Vision and Image Understanding， 1995， 61（1）： 38-59. 10.1006/cviu.1995.1004
21	EDWARDS G J， COOTES T F， TAYLOR C J. Face recognition using active appearance models ［C］// Proceedings of the 1998 European Conference on Computer Vision， LNCS1407. Berlin： Springer， 1998： 581-595. 10.1109/afgr.1998.670965
22	KAZEMI V， SULLIVAN J. One millisecond face alignment with an ensemble of regression trees ［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014： 1867-1874. 10.1109/cvpr.2014.241
23	GUO X J， LI S Y， YU J K， et al. PFLD： a practical facial landmark detector ［EB/OL］. （2019-03-03）［2021-04-22］. .
24	严严，陈日伟，王菡子.基于深度学习的人脸分析研究进展［J］.厦门大学学报（自然科学版），2017，56（1）：13-24.
	YAN Y， CHEN R W， WANG H Z. Recent advances on deep-learning-based face analysis ［J］. Journal of Xiamen University （Natural Science）， 2017， 56（1）： 13-24.
25	GAO S W， TAI J， GE W T， et al. Facial feature as predictor for early-persistence OSAS after adenotonsillectomy in children with moderate to severe OSAS ［J］. IT Professional， 2020， 22（4）： 35-42. 10.1109/mitp.2020.3001238
26	武佳丽.腺样体肥大的面部辅助诊断方法研究［D］.太原：中北大学，2019：20-26.
	WU J L. Study on facial assistant diagnosis method for adenoid hypertrophy ［D］. Taiyuan： North University of China， 2019： 20-26.
27	倪永婧，孙袆，岳莹，等.基于二维Gabor小波与AR-LGC的人脸特征提取算法研究［J］.河北工业科技，2019，36（4）：258-262. 10.7535/hbgykj.2019yx04006
	NI Y J， SUN Y， YUE Y， et al. Face feature extraction algorithm based on two-dimensional Gabor wavelet and AR-LGC ［J］. Hebei Journal of Industrial Science and Technology， 2019， 36（4）： 258-262. 10.7535/hbgykj.2019yx04006
28	CHEN Y H， LIU W J， ZHANG L， et al. Hybrid facial image feature extraction and recognition for non-invasive chronic fatigue syndrome diagnosis ［J］. Computers in Biology and Medicine， 2015， 64： 30-39. 10.1016/j.compbiomed.2015.06.005
29	LIN S， LI Z G， FU B W， et al. Feasibility of using deep learning to detect coronary artery disease based on facial photo ［J］. European Heart Journal， 2020， 41（46）： 4400-4411. 10.1093/eurheartj/ehaa640
30	KONG X Y， GONG S， SU L J， et al. Automatic detection of acromegaly from facial photographs using machine learning methods ［J］. EBioMedicine， 2018， 27： 94-102. 10.1016/j.ebiom.2017.12.015
31	PARKHI O M， VEDALDI A， ZISSERMAN A. Deep face recognition ［C］// Proceedings of the 2015 British Machine Vision Conference. Durham： BMVA Press， 2015： Article No.41. 10.5244/c.29.41
32	DENG J， DONG W， SOCHER R， et al. ImageNet： a large-scale hierarchical image database ［C］// Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2009： 248-255. 10.1109/cvpr.2009.5206848
33	GINNEKEN B VAN， SETIO A A A， JACOBS C， et al. Off-the-shelf convolutional neural network features for pulmonary nodule detection in computed tomography scans ［C］// Proceedings of the 2015 IEEE 12th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2015： 286-289. 10.1109/isbi.2015.7163869
34	SHI Z H， HAO H， ZHAO M H， et al. A deep CNN based transfer learning method for false positive reduction ［J］. Multimedia Tools and Applications， 2019， 78（1）： 1017-1033. 10.1007/s11042-018-6082-6
35	ESTEVA A， KUPREL B， NOVOA R A， et al. Dermatologist-level classification of skin cancer with deep neural networks ［J］. Nature， 2017， 542（7639）： 115-118. 10.1038/nature21056
36	GUROVICH Y， HANANI Y， BAR O， et al. DeepGestalt — identifying rare genetic syndromes using deep learning ［EB/OL］. （2018-01-23）［2021-04-22］. . 10.1038/s41591-018-0279-0
37	JIN B， CRUZ L， GONÇALVES N. Deep facial diagnosis： deep transfer learning from face recognition to facial diagnosis ［J］. IEEE Access， 2020， 8： 123649-123661. 10.1109/access.2020.3005687
38	LECUN Y， BENGIO Y， HINTON G. Deep learning ［J］. Nature， 2015， 521（7553）： 436-444. 10.1038/nature14539
39	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks ［J］. Communications of the ACM， 2017， 60（6）： 84-90. 10.1145/3065386
40	SERMANET P， EIGEN D， ZHANG X， et al. OverFeat： integrated recognition， localization and detection using convolutional networks ［EB/OL］. （2014-02-24）［2021-04-22］. .
41	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition ［EB/OL］. （2015-04-10）［2021-04-22］. . 10.5244/c.28.6
42	YU Y H， LIN H F， MENG J N， et al. Deep transfer learning for modality classification of medical images ［J］. Information， 2017， 8（3）： Article No.91. 10.3390/info8030091
43	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
44	SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking the inception architecture for computer vision ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2818-2826. 10.1109/cvpr.2016.308
45	YI D， LEI Z， LIAO S C， et al. Learning face representation from scratch ［EB/OL］. （2014-11-28）［2021-04-22］. . 10.1109/icpr.2014.75
46	PAN S J， YANG Q. A survey on transfer learning ［J］. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359. 10.1109/tkde.2009.191
47	HALLGRÍMSSON B， APONTE J D， KATZ D C， et al. Automated syndrome diagnosis by three-dimensional facial imaging ［J］. Genetics in Medicine， 2020， 22（10）： 1682-1693. 10.1038/s41436-020-0845-y
48	KARATAS O H， TOY E. Three-dimensional imaging techniques： a literature review ［J］. European Journal of Dentistry， 2014， 8（1）： 132-140.
49	程超，潘家辉，刘大波.三维医学影像分析系统上气道建模在儿童阻塞性睡眠呼吸暂停低通气综合征研究中应用的初探［J］.中国耳鼻咽喉头颈外科，2016，23（6）：321-324. 10.16066/j.1672-7002.2016.06.004
	CHEN C， PAN J H， LIU D B. Preliminary study on the application of upper-airway model construction with 3DMA in children with OSAHS ［J］. Chinese Archives of Otolaryngology-Head and Neck Surgery， 2016， 23（6）： 321-324. 10.16066/j.1672-7002.2016.06.004
50	ZHOU S， XIAO S. 3D face recognition： a survey ［J］. Human-centric Computing and Information Sciences， 2018， 8： Article No.35. 10.1186/s13673-018-0157-2
51	DENG J R， GAO X M. A case-control study of craniofacial features of children with obstructed sleep apnea ［J］. Sleep and Breathing， 2012， 16（4）： 1219-1227. 10.1007/s11325-011-0636-4
52	DI FRANCESCO R， MONTEIRO R， PAULO M L d M， et al. Craniofacial morphology and sleep apnea in children with obstructed upper airways： differences between genders ［J］. Sleep Medicine， 2012， 13（6）： 616-620. 10.1016/j.sleep.2011.12.011
53	LIN S W， SUTHERLAND K， LIAO Y F， et al. Three-dimensional photography for the evaluation of facial profiles in obstructive sleep apnoea ［J］. Respirology， 2018， 23（6）： 618-625. 10.1111/resp.13261
54	COLLINS A， ZOMORODIAN A， CARLSSON G， et al. A barcode shape descriptor for curve point cloud data ［J］. Computers and Graphics， 2004， 28（6）： 881-894. 10.1016/j.cag.2004.08.015
55	HUANCA GHISLANZONI L， LIONE R， COZZA P， et al. Measuring 3D shape in orthodontics through geometric morphometrics ［J］. Progress in Orthodontics， 2017， 18： Article No.38. 10.1186/s40510-017-0194-9

[1]	王贺兵, 张春梅. 基于非对称卷积-压缩激发-次代残差网络的人脸关键点检测[J]. 计算机应用, 2021, 41(9): 2741-2747.
[2]	陈争涛, 黄灿, 杨波, 赵立, 廖勇. 基于迁移学习的并行卷积神经网络牦牛脸识别算法[J]. 计算机应用, 2021, 41(5): 1332-1336.
[3]	王锦凯, 贾旭. 基于迁移孪生非负矩阵分解的静脉识别算法[J]. 计算机应用, 2021, 41(3): 898-903.
[4]	徐少伟, 秦品乐, 曾建朝, 赵致楷, 高媛. 基于注意力机制的两阶段纵膈淋巴结自动分割算法[J]. 计算机应用, 2021, 41(2): 556-562.
[5]	刘晓龙, 王士同. 渐进式分离的开放集模糊域自适应算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3127-3131.
[6]	曹建芳, 闫敏敏, 贾一鸣, 田晓东. 融合迁移学习的Inception-v3模型在古壁画朝代识别中的应用[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3219-3227.
[7]	孙中杰, 万涛, 陈东, 汪昊, 赵艳丽, 秦曾昌. 深度学习在主动脉中膜变性病理图像分类中的应用[J]. 计算机应用, 2021, 41(1): 280-285.
[8]	黄学雨, 徐浩特, 陶剑文. 具有特征选择的多源自适应分类框架[J]. 计算机应用, 2020, 40(9): 2499-2506.
[9]	张晨曦, 唐曙, 唐珂. 迁移学习下的火箭发动机参数异常检测策略[J]. 计算机应用, 2020, 40(9): 2774-2780.
[10]	白茹意, 郭小英, 贾春花. 基于特征融合的小样本抽象画图像情感预测[J]. 计算机应用, 2020, 40(8): 2207-2213.
[11]	马金林, 魏萌, 马自萍. 基于深度迁移学习的肺结节分割方法[J]. 计算机应用, 2020, 40(7): 2117-2125.
[12]	肖禾, 刘志勤, 王庆凤, 黄俊, 周莹, 刘启榆, 徐卫云. 基于迁移学习的多视角乳腺肿块和钙化簇分类方法[J]. 计算机应用, 2020, 40(5): 1460-1464.
[13]	谌贵辉, 易欣, 李忠兵, 钱济人, 陈伍. 基于改进YOLOv2和迁移学习的管道巡检航拍图像第三方施工目标检测[J]. 计算机应用, 2020, 40(4): 1062-1068.
[14]	陈杰, 张挺, 杜奕. 基于自适应深度迁移学习的多孔介质重构[J]. 计算机应用, 2020, 40(4): 1231-1236.
[15]	郑宗生, 胡晨雨, 姜晓轶. 基于改进的最大均值差异算法的深度迁移适配网络[J]. 计算机应用, 2020, 40(11): 3107-3112.

儿童阻塞性睡眠呼吸暂停计算机人脸辅助诊断综述

Review of computer-aided face diagnosis for obstructive sleep apnea in children

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 55

相关文章 15

编辑推荐

Metrics