عنوان

آناليز سفالومتري بافت نرم در اعمال جراحي پلاستيک چهره براساس تصاوير متعامد رنگي چهره

شماره

۴۸۸۹پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

آناليز سفالومتري بافت نرم در اعمال جراحي پلاستيک چهره براساس تصاوير متعامد رنگي چهره

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

علی فهمی جعفرقلخانلو

نام ناشر، پخش کننده و غيره

صنعتی سهند

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۱۲۳ص.

ساير جزييات

مصور، جدول، نمودار

مواد همراه اثر

CD

جزئيات پايان نامه و نوع درجه آن

دکتری

نظم درجات

مهندسی پزشکی- بیوالکتریک

زمان اعطا مدرک

۱۴۰۲/۰۲/۰۱

متن يادداشت

اندازه¬گیری متریک¬های خطی و زاویه¬ای چهره نقشی مهم در آنالیز سفالومتری بافت نرم چهره ایفا می¬کند. متخصصین جراحی‌های پلاستیک چهره معمولاً از ابزارهای مکانیکی برای این منظور استفاده می¬کنند. عیب مهمی که روش موردنظر دارد این است که باید ابزارهای مکانیکی مختلفی به¬کار گرفته شوند. در نتیجه، آنالیز آنتروپومتری مبتنی بر تصاویر رنگی چهره معرفی شد. در این روش متخصصین اغلب لندمارک¬ها را به¬صورت دستی انتخاب می¬کنند. این فرآیند زمان¬بر بوده و نیازمند مهارت و تجربه است. بنابراین، در این رساله تلاش بر این شده است که با ارائه¬ی روش¬های هوشمند بتوان تا حدودی مشکلات موجود در این حوزه را برطرف کرد. جهت رسیدن به این هدف، نیازمند بخش¬بندی پوست و مکان¬یابی لندمارک¬های آناتومیکی چهره از هر دو نمای روبرو و جانبی هستیم. برای بخش¬بندی پوست چهره دو روش پیشنهادی ارائه شد. (1) رویکرد هیبریدی روش¬های نگاشت خودسازمان¬ده (SOM) و شبکه¬ی عصبی گازی (NGN). هدف اصلی در این الگوریتم این است که بتوان عمل¬کرد الگوریتم SOM را با وفقی کردن ضریب یادگیری با به¬کارگیری الگوریتم NGN بهبود داد. (2) مدل بهبود یافته¬ی خوشه¬بند فازی (FCM) جهت بخش¬بندی پوست چهره تحت تغییرات روشنایی. در روش دوم، ابتدا به تابع هزینه الگوریتم FCM پارامتر تغییرات روشنایی (VI) اضافه شد. در مرحله بعدی پارامترهای تغییرات روشنایی، مراکز خوشه و تابع عضویت به¬روزرسانی شدند. سرانجام، جهت حل مشکل گیر کردن در کمینه مکانی، رویکرد هیبریدی بهینه¬سازهای شاهین هریس (HHO) و گرگ خاکستری (GWO) معرفی گردید. به¬منظور مکان¬یابی لندمارک¬های نمای روبروی چهره نسخه اصلاح شده روش رگرسیون آبشاری (CRM) استاندارد ارائه شد. در این روش، میانگین تمامی ریخت‌های آموزشی به¬عنوان ریخت اولیه در مرحله ارزیابی یک تصویر به¬کار گرفته می¬شود. این فرآیند باعث می¬شود که ریخت اولیه یا نزدیک به ریخت واقعی بوده و یا اینکه از آن دور باشد. برای حل این مشکل، آنالیز پروکراستس بین لندمارک¬های کمکی و لندمارک¬های اولیه به¬کار گرفته شد. همچنین، افزایش داده¬ی آموزش (تصاویر نرمال چهره) می¬تواند منجر به بیش‌برازش در فرآیند یادگیری شود. برای حل مسئله ذکر شده، رویکرد مشارکت تصاویر نرمال و واقعی چهره از طریق رگرسیون آبشاری وزن¬دار (WCRM) ارائه شد. جهت مکان¬یابی لندمارک¬های نمای جانبی چهره، ابتدا کانتور نمای جانبی چهره با استفاده از نسخه اصلاح شده¬ی الگوریتم FCM استخراج شد. سپس، با استفاده از ویژگی¬های هندسی چهره و متعامد بودن تصاویر به¬کار گرفته شده، لندمارک¬ها استخراج شدند. سرانجام، متریک¬های نمای روبرو و جانبی چهره جهت آنالیز سفالومتری بافت نرم چهره اندازه¬گیری شدند. نتایج آزمایش نشان دادند که دقت الگوریتم¬های پیشنهادی اول و دوم جهت بخش¬بندی پوست چهره از نمای روبرو به¬ترتیب 3/96% و 8/97% است. همچنین، این معیار برای بخش¬بندی پوست نمای جانبی چهره به¬ترتیب 2/94% و 8/97% است. میانگین خطای الگوریتم پیشنهادی جهت مکان¬یابی لندمارک¬های نمای روبروی چهره تقریباً 5% بوده که نسبت به سایر مدل¬های شکل¬¬پذیر پایین‌ترین مقدار را دارد. همچنین، میانگین دقت الگوریتم پیشنهادی در اندازه¬گیری تمامی متریک¬های زاویه¬ای نمای جانبی چهره بالای 90% است. نتایج آزمایش نشان دادند که روش¬های پیشنهادی عمل¬کرد خوبی در بخش¬بندی و مکان-یابی نقاط کلیدی چهره دارند.

متن يادداشت

Linear and angular measurements play an important role in Cephalometry analysis of facial soft tissue. Several methods are used to measure the desired measurements. For this purpose, surgeons usually use mechanical tools. It is very difficult to employ the different mechanical tools in order to measure the different facial metrics. Therefore, to overcome this problem, facial anthropometry analysis based on color images was done. In this method, surgeons select landmarks manually. A major disadvantage of manual measurement is that this method requires training and skill. Therefore, in this thesis, an automatic method has been presented to overcome the mentioned problems based on image processing and computer vision algorithms. For this goal, we need facial skin segmentation and anatomical landmark detection from both frontal and profile views. Two methods were presented for facial skin segmentation. (1) Combined approach of Self Organizing Map (SOM) and Neural Gas Network (NGN). The main goal in this algorithm is to improve the SOM performance by adapting the learning rate using the NGN algorithm. (2) Modified fuzzy c-means (MFCM) algorithm for facial skin segmentation under varying illumination. In the second method, at first, varying illumination (VI) parameter was added to FCM cost function. In the next step, VI, membership function, and cluster centers were updated. Finally, the hybrid approach of Harris Hawk Optimization (HHO) and Grey Wolf Optimization (GWO) was presented to solve the problem of falling at a local minimum. Modified version of the Cascade Regression Method (MCRM) was presented for anatomical facial landmark detection from the fronal view. In standard CRM, a mean shape of training data is used as the initial shape in the test phase. The mean shape will cause the initial shape to be either near to or far from the face shape. To solve this problem, in MCRM, Procrustes analysis was used between the auxiliary and initial landmarks. Also, increasing the training data can results in over-fitting. To overcome the mentioned problem, the collaboration of normal and real face data by Weighted Cascade Regression Method (WCRM) was presented. For facial landmark localization from the profile view, at first, facial contour was extracted using the modified FCM. Then, anatomical landmarks were detected using the facial geometrical and orthogonality features. Finally, facial metrics from the frontal and profile views were measured for Cephalometry analysis of facial soft tissue. Experimental results indicated that the accuracy of the first and second proposed algorithms is 96.3% and 97.8% for facial skin segmentation from the frontal view, respectively. Also, this criterion is 94.2% and 97.8% for the profile view. Average error of the proposed algorithm is approximately 5% for facial landmark detection from the frontal view, which has the lowest value compared other deformable methods such as Active Shape Model (ASM), Supervised Descent Method (SDM), and standard CRM. Also, average accuracy of the proposed algorithm is above 90% in the measurement of all angular metrics from the profile view applicable for Rhinoplasty and Mentoplasty surgeries. Experimental results showed that proposed methods have a perfect performance in facial skin segmentation and landmark detection and can be used as suitable methods to design a Graphical User Interface (GUI) applicable for the planning of facial plastic surgeries.

عنوان گونه گون

Cephalometry Analysis of Soft Tissue in Facial Plastic Surgeries Based on Orthogonal Facial Color Images

موضوع مستند نشده

آنالیز سفالومتری بافت نرم چهره

موضوع مستند نشده

بهینه‌سازی شاهین هریس

موضوع مستند نشده

بهینه‌سازی گرگ خاکستری

موضوع مستند نشده

جراحی‌های پلاستیک چهره،

اصطلاح موضوعی

آنالیز سفالومتری بافت نرم چهره، بهینه‌سازی شاهین هریس، بهینه‌سازی گرگ خاکستری، جراحی‌های پلاستیک چهره، رگرسیون آبشاری وزن‌دار، مکان‌یابی لندمارک‌های چهره

اصطلاح موضوعی

Cephalometry Analysis of Facial Soft Tissue, Harris Hawk Optimization, Grey Wolf Optimization, Facial Plastic Surgery, Cascade Regression Method, Facial Landmark Detection

مستند نام اشخاص تاييد نشده

فهمی جعفرقلخانلو، علی

عنصر شناسه اي

شمسی

ساير عناصر نام

، موسی

تاريخ

، ۱۳۵۱ -

عنصر شناسه اي

صنعتی سهند

کشور

ایران

سازمان

دانشگاه صنعتی سهند

تاريخ عمليات

20230529

شماره بازیابی

مهندسی پزشکی، ۱۰۰۸۸، ۱۴۰۲

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y