《表9 不同的特征和分类器进行唐氏综合征检测的准确度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《计算机辅助诊断人脸形态学疾病研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

2013年，Zhao等[50]利用约束局部模型定位人脸标志，提取基于局部二值模式的几何特征和纹理特征，在特征选择后，采用多个分类器对唐氏综合征与正常病例进行分类。结果表明，在局部纹理特征优于几何特征的情况下，采用基于RBF核的支持向量机作为分类器，准确度达到94.6%，并且具有较高的召回率。在临床环境中，95.5%的高召回率是可取的，因为作为筛查工具，应该尽可能少地漏掉综合征。结果证明了该技术分析高度可变的数据的鲁棒性，可以继续研究包括侧视图图像的特征，并研究更有效的特征融合方法。在2014年，文献[51]提出了一种基于独立分量分析（ICA）的分级约束局部模型（HCLM）。用基于熵的非参数数据驱动独立分量排序的局部建模能力，可以得到最佳选择和分类性能，模型的层次结构通过将不同的模型分别对不同的组进行拟合，提高了地标检测的准确性。提取了基于局部二值模式和Gabor小波变换的几何特征和局部纹理特征来描述唐氏综合征与健康人群的人脸形态学变化。通过特征融合和选择，训练支持向量机（包括线性基函数核和径向基函数核）、k-近邻（KNN）、随机森林（RF）和线性判别分析（LDA）等分类器识别唐氏综合征病例，获得最高的准确度96.7%。如表9所示，结果表明，通过LDA对整合后的特征进行分类性能较好，可扩展到其他遗传综合征的检测。