Details

Данная работа посвящена изучению и применению подходов анализа эстетических параметров человека, методов оптимизации диагностирования на основе работы моделей машинного обучения. Задачи, которые решались в ходе исследования: 1) Изучение особенностей обработки первичного фотопротокола пациентов в стоматологии и эстетической медицине. 2) Выявление актуальных методов машинного обучения для автоматизации обработки графических данных пациентов. 3) Разработка решений автоматизации обработки данных фотопротоколов пациентов. 4) Создание инструментов с использованием методов машинного обучения для анализа лицевых симметрий пациентов. По результатам работы были проанализированы современные методы детекции лиц напервичных фотопротоколах и обработки данных для их применения в медицинских задачах. Эксперименты подтвердили значимость качественной подготовки данных и показали, что использование глубоких нейронных сетей требует объемных и сбалансированных наборов данных. Реализация детекторов ключевых лицевых точек позволила визуализировать лицевые симметрии, что может существенно облегчить работу медицинских специалистов. Выявлено, что для поиска лицевых линий-параметров лучше всего подходит модель dlib на 68 точек, а архитектура Xception демонстрирует перспективные результаты. В результате разработано программное решение для поэтапного анализа фотопротоколов.

This work is devoted to the study and application of approaches to analyzing human aesthetic parameters, methods for optimizing diagnostics based on the work of machine learning models. The research set the following goals: 1) Study of the features of processing the primary photo protocol of patients in dentistry and aesthetic medicine. 2) Identification of relevant machine learning methods for automating the processing of patient graphic data. 3) Development of solutions for automating the processing of patient photo protocol data. 4) Creation of tools using machine learning methods for analyzing patient facial symmetries. Based on the results of the work, modern methods of face detection on primary photo protocols and data processing for their application in medical tasks were analyzed. The experiments confirmed the importance of high-quality data preparation and showed that the use of deep neural networks requires large and balanced data sets. The implementation of key facial point detectors made it possible to visualize facial symmetries, which can significantly facilitate the work of medical specialists. It was found that the 68-point dlib model is best suited for searching for facial parameter lines, and the Xception architecture demonstrates promising results. As a result, a software solution was developed for the step-bystep analysis of photo protocols.

• ВВЕДЕНИЕ
• ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1 Задачи эстетической медицины и стоматологии
  • 1.2 Основные критерии анализа фотопротоколов
  • 1.3 Проблематика диагностирования в стоматологии и эстетической медицине традиционными методами
  • 1.4 Особенности автоматизированной диагностики
• ГЛАВА 2 ОБНАРУЖЕНИЕ ЛИЦ НА ИЗОБРАЖЕНИЯХ
  • 2.1 Постановка задачи классификации
    • 2.1.1 Алгоритм k-ближайших соседей
    • 2.1.2 Метод опорных векторов
    • 2.1.3 Сверточные нейронные сети
  • 2.2 Методы обнаружения лиц на изображениях
    • 2.2.1 Метод каскадов Хаара
    • 2.2.2 Гистограммы ориентированных градиентов и метод опорных векторов
    • 2.2.3 Сверточные нейронные сети
  • 2.3 Определение линий-параметров
• ГЛАВА 3 РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ЛИЦЕВЫХ АСИММЕТРИЙ
  • 3.1 Постановка задачи
  • 3.2 Подготовка и обработка данных
    • 3.2.1 Исходные данные
    • 3.2.2 Сортировка подходящих кадров
    • 3.2.3 Обрезка
    • 3.2.4 Нормализация яркости
  • 3.3 Классификация кадров
    • 3.3.1 Обучение модели классификатора
    • 3.3.2 Использование обученной модели классификатора
  • 3.4 Анализ лицевых симметрий
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ А ОБНАРУЖЕНИЕ ЛИЦ КАСКАДОМ ХААРА
• ПРИЛОЖЕНИЕ Б ОБНАРУЖЕНИЕ ЛИЦ HOG + SVM
• ПРИЛОЖЕНИЕ В СРАВНЕНИЕ HOG + SVM И КАСКАДА ХААРА
• ПРИЛОЖЕНИЕ Г ИЗМЕНЕНИЕ ГРАНИЦ ИЗОБРАЖЕНИЙ
• ПРИЛОЖЕНИЕ Д ФИЛЬТРАЦИЯ ЯРКОСТИ
• ПРИЛОЖЕНИЕ Е ОБУЧЕНИЕ МОДЕЛИ КЛАССИФИКАТОРА
• ПРИЛОЖЕНИЕ Ж КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ
• ПРИЛОЖЕНИЕ И ПОИСК КЛЮЧЕВЫХ ТОЧЕК DLIB 68
• ПРИЛОЖЕНИЕ К РАЗМЕТКА ИЗОБРАЖЕНИЙ ТОЧКАМИ DLIB 68
• ПРИЛОЖЕНИЕ Л ПОИСК КЛЮЧЕВЫХ ТОЧЕК DLIB 81
• ПРИЛОЖЕНИЕ М РАЗМЕТКА ИЗОБРАЖЕНИЙ ТОЧКАМИ MEDIAPIPE
• ПРИЛОЖЕНИЕ Н ПОИСК ЛИЦЕВЫХ ЛИНИЙ DLIB 68
• ПРИЛОЖЕНИЕ П ФОРМИРОВАНИЕ ОТЧЕТА DLIB 68
• ПРИЛОЖЕНИЕ Р ПОИСК ЛИЦЕВЫХ ЛИНИЙ DLIB 81
• ПРИЛОЖЕНИЕ С ФОРМИРОВАНИЕ ОТЧЕТА DLIB 81
• ПРИЛОЖЕНИЕ Т СОЗДАНИЕ МОДЕЛИ С АРХИТЕКТУРОЙ XCEPTION
• ПРИЛОЖЕНИЕ У РАЗМЕТКА ИЗОБРАЖЕНИЯ ТОЧКАМИ XCEPTION
• ПРИЛОЖЕНИЕ Ф ФОРМИРОВАНИЕ ОТЧЕТА С РАЗМЕТКОЙ ЛИНИЙ XCEPTION
• ПРИЛОЖЕНИЕ Х ПРОЕКЦИЯ ГРАФА ОПЕРАЦИЙ МОДЕЛИ С АРХИТЕКТУРОЙ XCEPTION