当今时代,互联网平台化和人工智能逐渐改变了人们的衣食住行,各行各业开始追求行业的数字化和智能化,从而达到行业的先进性和高效性。医疗行业在完成计算机数据平台化的同时,通过大数据分析、机器学习等技术处理大量的医疗数据,对于某些疾病的诊断起到辅助筛查的作用,这也逐渐成为近几年来现代医学发展的趋势。成人阻塞性睡眠呼吸暂停作为一种睡眠呼吸障碍疾病,存在诊断困难、诊断率低于实际发生率等情况。近年来研究表明患者的特征性颅面解剖有一定的形态异常,患者的颅面摄影人脸图像与该病患病程度存在联系性和相关性;采取计算机技术分析患者的人脸基本特征,可以作为医生辅助诊断的手段。为了解决该病现阶段诊断率低、诊断困难等情况,本课题设计了基于web端的成人阻塞性睡眠呼吸暂停的人脸图像分类预筛查系统。本文主要的研究工作如下:1.从医院睡眠中心获得该病的一千多例人脸正侧脸图像后,根据这些人脸图像对应的呼吸暂停低通气指数分成正常/轻度,中度和重度三类。在数据预处理阶段,首先剔除了部分不合格的人脸图像,并针对正脸和侧脸图像采用不同的人脸检测器。对正脸采用Dlib人脸检测器,对侧脸使用DSFD网络。检测结果剔除大部分不包含人脸的信息。随后采用多种不同的数据扩充方法进行对比实验,最后筛选出最适合本课题数据集的四种数据扩充组合方法。2.在分类网络设计和实现中,针对多种不同的基础网络做对比实验,如残差网络 ResNet50 与 Inception-ResNet-V2 和 Inception-V3 进行对比,得到最佳的基础网络ResNet50。随后在此基础上借鉴条形池化的概念,设计LPM模块,采用基于ImageNet迁移学习参数初始化的方式对分类网络进行训练。3.在完成分类网络的训练后,设计了两个实验让分类网络更具有解释性。首先是对人脸特征点采用机器学习统计分析的方法,采用Xgboost算法以SHAP值作为显示正侧脸中哪些面部指标对成人阻塞性睡眠呼吸暂停有明显的影响。此外,采用Grad-CAM方法将分类网络对人脸关注的区域以类热力图的形式显示出来。两个实验结合对比分析,让分类网络的训练更有可解释性。4.在完成所有的模型训练和可解释性实验后,开发设计基于web端的成人阻塞性睡眠呼吸暂停预筛查系统,以python-flask作为后端框架,Vue作为前端框架,JavaScript、HTML、CSS为前端语言。结合分类网络训练的结果进行可视化展示,将选中的成人阻塞性睡眠呼吸暂停患者人脸图像的分类结果以图表的形式展示在浏览器端。本文基于人脸正侧脸图像对成人阻塞性睡眠呼吸暂停有预测性的前提下,将医院睡眠中心采集的人脸正侧脸图像输入深度学习分类网络做分类任务。同时将结果以图表的形式将分类结果输出到网页端,完成医疗图像平台化和智能化的结合。力求将本课题的后续发展逐渐推向实际应用,为该病的诊断做一定的前期性工作。