مقاله کاربرد پردازش تصاویر چهره در تخمین درد کودکان

بخشی از مقاله

چکیده -

تکنیک هاي پردازش تصاویر در حالی که با مسائل کاربردي ترکیب شوند قادرخواهند بود بهترین بازده را ارائه کنند و جهت رفع مشکلات بشري به کار گرفته شوند. هدف ما از این مطالعه ارزیابی شدت درد بر اساس تغییر حالات چهره در کودکان با استفاده از پردازش هاي کامپیوتري به منظور کمک به پیشرفت علوم پزشکی در تشخیص و مدیریت بر درد کودکان می باشد.

در این مطالعه حالات چهره حاصل از درد در 26 کودك - کمتر از 1 سال - مورد عکس برداري قرار می گیرد و میزان درد توسط پزشک متخصص بر اساس روش NIPS در 8 رنج درد - 0 - 7 - به هر عکس نسبت داده می شود . از دو روش آنالیز مولفه هاي اصلی و WAVELET جهت استخراج ویژگی و کاهش ابعاد تصاویر استفاده می شود و با اعمال ویژگی ها به شبکه عصبی مصنوعی پرسپترون طبقه بندي و تشخیص رنج هاي مختلف درد مورد ارزیابی و تست قرار می گیرد.

بهترین نتیجه از استخراج ویژگی به روش WAVELET به همراه شبکه عصبی پرسپترون چهار لایه با میانگین درصد صحت تشخیص 85/9375 بدست می آید. ما معتقدیم که با توجه به نتایج بدست آمده می توان با توسعه ي سیستم طراحی شده به پیشرفت هاي قابل توجهی در زمینه ي تشخیص و مدیریت بر درد با استفاده از پردازش تصاویر چهره دست یافت.

-1 مقدمه

بسیاري از ما شاید در موقعیتهاي مختلف تجاربی از درد داشتهایم .تجاربی که بسیار ناخوشایند هستند و واکنشهاي مختلفی را در ما ایجاد میکنند. برخی افراد بین انواع مختلف درد تفاوت قائل شده و برخی از درد ها را شدیدتر و آزار دهندهتر میدانند.

در هر حال شدت آن کم باشد یا زیاد به عنوان یک عامل مزاحم شناخته میشود که براي افراد قابل تحمل نبوده و از اینرو به دنبال راهکارهایی بر میآیند تا به رفع آن نائل شوند .علاوه بر اینکه درد خود غیر قابل تحمل بوده و در اغلب موارد جنبههاي مختلفی از زندگی فرد را تحت تاثیر قرار میدهد ، از آن جهت که به عنوان یک علامت براي بیماري به شمار می رود قابل توجه است.[1] تعریفی که مجمع جهانی مطالعه درد از درد ارائه کرده به این شکل است:

"درد ، تجربه ي یک حس و هیجان ناخوشایند است که به آسیب بافت ها ویا قابلیت آسیب پذیري بافت ها وابسته می باشد.که از تعریفHarold Merskey در سال 1964 گرفته شده تحقیقات مختلف نشان میدهد، مفهوم و تجربه درد و عامل انگیزشی آن در جوامع مختلف میتواند متفاوت باشد.بر این اساس نوع درد و شدت آن و رفتارهایی که فرد در قبال آن از خود نشان میدهد، متفاوت خواهد بود.[1] گرچه بسیاري از بیماران توانایی شرح تجارب دردشان را دارند ، برخی دیگر از قبیل کودکان فاقد این توانایی هستند و ما باید به نمایندگی از آنها درمورد دردشان قضاوت نموده و به تصمیم خود کاملا اعتماد کنیم

تخمین درد در کودکان به عنوان یکی از بیشترین مسائل مورد بحث در علم نوزادان مطرح است.[4] رفتارهاي درد بیش از 20 سال است که در بچه ها مورد بررسی قرار می گیرد.مجمع جهانی مطالعه ي درد - IASP - ، ناتوانی بیماران بی کلام و آنهایی که توانایی صحبت ندارند را براي بازگویی تجارب دردشان تصدیق کرد، و تعریف قدیمیش از درد را با ا فزودن این پدیده مورد تجدید نظر قرار داد: "ناتوانی گفتگو و ارتباط به هیچ وجه احتمال اینکه فردي دردي تجربه می کند و یا نیازمند به درمانی مناسب براي تسکین درد می باشد را نفی نمی کند"، بر این اساس ارزیابی و تخمین درد در کودکان مشکل می باشد

در حال حاضر تشخیص هاي پزشکی و تخمین درد کودکان بر پایه ي توجه به عوامل فیزیولوژیکی و رفتاري آنها قرار می گیرد.[3]از جمله نشانه هاي فیزیولوژیکی درد را می توان تغییر در سرعت تنفس و ضربان قلب ، فشار خون و عرق کف دست نام برد.

طبق توافق تمام نشریات مرجع،اندازه گیري هاي فیزیولوژیکی براي نشان دادن درد کافی نیستند. چون میزان اندازه گیري هاي فیزیولوژیکی کافی از یک بچه به بچه ي دیگر متفاوت است و انعکاس حساسیت به درد ما را دچار مشکل می کند. نشانه هاي پاسخ هاي رفتاري کودکان به درد شامل حرکات بدن،گریه کردن و تغییر حالت چهره می باشد[6] که نقش اصلی در تشخیص درد را حالات چهره بازي می کند. حرکات بدن و گریه رفتارهایی هستند که در تشخیص حالت هاي دیگر از قبیل گرسنگی،ترس و به هم خوردن آرامش نیز نشان داده می شوند در صورتیکه کودکان همیشه به درد با حرکت و گریه پاسخ نمی دهند. خواب،یکی از مواردي است که حرکات بدن در آن ساکن می شود. ولی غالباٌ حتی در خواب، از صورت کودك تجارب درد ثبت می شود

ویژگیهاي چهره، شامل بالارفتگی ابروها، بازشدگی دهان و چین خوردگی و تغییر شکل در لب و بینی[8]در اکثر مواقع به عنوان عناصر اصلی ابزارهاي تخمین درد استفاده می شوند.

تحقیقات پیشینی که درزمینه درد کودکان صورت گرفته، اکثراً به تشخیص چهره ي درد از غیر درد پرداخته اند ،نه اندازه گیري میزان درد،و چهره ي حاصل از درد را با چهره ي حاصل از اضطراب، ترس، خنده وعصبانیت مقایسه کرده اند. در این تحقیقات از روش هاي PCA ،LDA ، SVM و NNSOA استفاده شده که فقط توانایی طبقه بندي به دو دسته را دارا هستند و در بهترین نتیجه توانسته اند با درصد تشخیص 90/20% در آنالیز NNSOA چهره هاي ناشی از درد را از چهره هاي بدون درد تشخیص دهند. در این تحقیقات داده هاي غیر واقعی مورد استفاده قرار گرفته، که با ایجاد تحریک هاي درد آور و غیر دردآور در کودکان سالمی که به عنوان نمونه انتخاب شده بودند باعث تغییر حالات چهره در آنها شده و از چهره ي کودکان تصویر برداري می کردند.

برخی از این تحریکاتی به صورت، جابجایی رختخواب بچه از یک نقطه به مکان دیگر، فوت کردن هوا روي بینی ، اصطکاك ناشی از مالش دادن پنبه و الکل روي پاشنه پا و سوراخ کردن پوست پاشنه پا می باشند. طبق گفته ي نویسندگان این مقالات به دلیل مشکلات زیادي که در استفاده از داده هاي واقعی در محیط بیمارستانی وجود دارد به این روش هاي ایجاد تحریک روي آورده اند.

تصویر برداري به این شکل و جمع آوري داده ها بسیار ساده بوده و در تست روشهاي پردازشی نیز پاسخ بهتري ارائه می کند و جنبه کاربردي در محیط هاي عملی را ندارد. بر این اساس تصمیم گرفتیم در این تحقیق داده ها را در محیط واقعی بیمارستانی و از بیماران با درد واقعی جمع آوري کنیم این نوع عملکرد مشکلات زیادي را در پی داشت و میزان صحت تشخیص در سیستم ما را کاهش می داد. بر اساس مقدماتی که شرح داده شد هدف خود را در این تحقیق ایجاد سیستمی جهت تشخیص وتعیین میزان درد درکودکان بر اساس پردازش تصاویر چهره ي آنها قرار دادیم.

مطالعات خود را روي ارزیابی درد در کودکان زیر 1 سال با استفاده از پردازش تصاویر چهره آنها متمرکز ساختیم. در این تحقیق براي استخراج ویژگی و کاهش ابعاد تصاویر گرفته شده از چهره دو تکنیک آنالیز مؤلفه هاي اصلی، PCA ، و Wavelet استفاده شده و همچنین جهت طبقه بندي و تشخیص رنج هاي مختلف درد از شبکه عصبی مصنوعی Perceptron بهره گرفته می شود.توضیحات کاملتر از روش عملکرد و پردازش هاي اعمال شده در ادامه آورده شده است.

.2مفاهیم پایه تکنیک هاي استخراج ویژگی PCA و WAVWLET

تصاویرگرفته شده جهت استفاده به عنوان مجموعه ي داده داراي ابعاد 80×64 می باشند.این تصاویر چه در صورت دو بعد و چه در صورت یک بعدي، داراي حجم زیادي جهت پردازش می باشد.به دلیل نزدیک بودن حالات مختلف چهره دررنج هاي متوالی درد در این تحقیق نیازمند به حفظ تمامی خصوصیات چهره جهت طبقه بندي دقیقتر داده ها می باشیم،پس نمی توان ویژگی هاي خاصی را از تصاویر استخراج کرد و بقیه اطلاعات تصویر را نادیده گرفت .از میان روش هایی که ابعاد تصاویر را با حفظ ویژگی هاي اصلی به بهترین شکل کاهش می دهند دو روش PCA وWAVELET از با کیفیت ترین روش ها محسوب می شوند ، به این منظور از این دو روش جهت استخراج ویژگی و کاهش حجم تصاویر در این تحقیق استفاده می شود.در ادامه به شرح کاملی از این دو روش می پردازیم:

-1-2 آنالیز مؤلفه هاي اصلی - - PCA

تحلیل مؤلفههاي اصلی تبدیلی در فضاي برداري است، که غالباً براي کاهش ابعاد مجموعه ي دادهها مورد استفاده قرار میگیرد.

تحلیل مؤلفه ي اصلی در سال 1901 توسط [10] Karl Pearson ارائه شد و هم اکنون در اکثر مواقع به عنوان یک ابزار در آنالیز داده هاي اکتشافی ویا براي تولید مدل هاي پیش بینی استفاده می شود.

ایده ي اصلی PCA یافتن مجموعه اي از بردارهاي نشانه عمود بر هم در مسیر ماکزیمم کواریانس داده ها می باشد.در مورد تصاویر چهره ،منظور یافتن بردارهاي پایه متعامد ، یا بردارهاي ویژه ماتریس کواریانس از یک مجموعه تصاویر می باشد. زمانیکه هر تصویر به بردارهاي ویژه اش تفکیک شد ، با نمایش بردارهاي ویژه ، چهره هاي روح مانندي نشان داده می شود. به این دلیل اغلب در مطبوعات و نوشته ها از آنها با عنوان [11] holons یا صورت هاي ویژه[12] نام برده می شود.

-1-1-2 طبقه بندي کننده PCA

روش عملکرد طبقه بندي به این شکل است که یک تصویر جدید روي فضاي چهره بسط داده می شود و بردار وزن نتیجه شده با بردار هاي وزن از کلاس هاي داده شده مقایسه می گردد.

کمترین فاصله با هر کلاسی ایجاد شود ، تصویر به آن کلاس اختصاص می یابد. ثابت شده که روش PCA در طبقه بندي تصاویر عملکرد ضعیف تري نسبت به روش هاي طبقه بندي دیگر دارد ،اما این روش از جمله ي برترین روش ها در کاهش ابعاد می باشد و معمولاً به این منظور به همراه روش هاي طبقه بندي مورد استفاده قرار می گیرد. به این دلیل در این تحقیق از روش PCA براي کاهش ابعاد بردار تصاویر استفاده کردیم.

-2-1-2 کاهش ابعاد با روش PCA

تحلیل مولفههاي اصلی در تعریف ریاضی [13]یک تبدیل خطی متعامد است که داده را به دستگاه مختصات جدید میبرد به طوري که بزرگترین واریانس داده بر روي اولین محور مختصات، دومین بزرگترین واریانس بر روي دومین محور مختصات قرار میگیرد و همین طور براي بقیه واریانس ها. تحلیل مولفههاي اصلی میتواند براي کاهش ابعاد داده مورد استفاده قرار بگیرد، به این ترتیب مولفههایی از مجموعه داده که بیشترین تاثیر را در واریانس دارند حفظ میکند. محتویات اصلی یک مجموعه از تصاویر با روند زیر مستقیما استخراج می شود:

ماتریس I[x,y] ، یک ماتریس دو بعدي ، با سایز N×N می باشد که از شدت مقادیر تصویر چهره بدست می آید . از کنار هم قرار دادن سطر هاي ماتریس I[x,y] ، بردار Γ با ابعاد N 2 ×1 حاصل می شود و براي مجموعه اي از تصاویر چهره بردارهاي Γ1 , Γ2 ,..., ΓM بدست می آید.

براي ماتریس داده XT با میانگین تجربی صفر، که هر سطر آن یک مجموعه مشاهده و هر ستون دادههاي مربوط به یک شاخصه است، تحلیل مولفههاي اصلی به صورت زیر تعریف میشود:

فرض بر این است که ماتریس X از بردارهاي X1 , X 2 ,..., X N تشکیل شده که هر کدام به صورت ستونی در ماتریس قرار داده شده است. بنابرین با توجه به ابعاد بردارهاي نمونه که هرکدام شامل M مشاهده می باشند، ماتریس دادهها به صورت M × N است.نتیجه میانگین تجربی، برداري است که به صورت زیر به دست میآید:

سپس ماتریس فاصله تا میانگین به صورت زیر به دست میآید: B X −uh - 3 - که h برداري با اندازه 1× N با مقدار 1 در هرکدام از درایهها است.

انتخاب زیرمجموعهاي از بردارهاي ویژه با تحلیل مقادیر ویژه صورت میگیرد. زیرمجموعه نهایی با توجه به بازچینی مرحله قبل به صورت V1 ,V2 ,...,VL انتخاب میشود. در اینجا میتوان از انرژي تجمعی استفاده کرد که طبق آن انتخاب l باید به صورتی باشد که حداقل مقدار ممکن را داشته باشد و در عین حال g مقدار قابل قبولی داشته باشد.

بردار انحراف معیار تجربی ، S ، با ابعاد M ×1 از ریشه دوم هر یک از عناصر قطر اصلی ماتریس کواریانس ،C ، بدست می آید.

دادهها میتوانند به ترتیب زیر به فضاي جدید برده شوند بطوریکه بردارهاي منتشر شده در فضاي جدید ستونهاي ماتریس را تشکیل می دهند.

ستونهاي ماتریس Y تبدیل - KLT - Karhunen–Loeve از بردارهاي داده در ستونهاي ماتریس X می باشند. مشاهده می شود که به این روش می توان ابعاد یک بردار ، که می تواند بردار نشان دهنده یک تصویر باشد، را کاهش داد و در واقع ویژگی هاي مهم آن را استخراج کرد.

-2-2 آنالیز WAVELET

تبدیل ویولت یکی از پرکاربردترین تبدیلات ریاضی در حوزه پردازشی و به ویژه پردازش سیگنال و تصویر می باشد. با توجه به ماهیت آنالیز چندرزولوشنی، این تبدیل جاي خود را در بسیاري از کاربردهاي پردازشی باز کرده است وبعضاً به عنوان توانمندترین ابزار رخ می نماید. در این تحقیق نیز نیازمند روشی جهت کاهش ابعاد تصویر هستیم که این تبدیل یکی از با کیفیت ترین روش ها جهت این کار می باشد به این علت از آن بهره بردیم.

در روش قبل از ویژگی مقادیر ویژه ماتریس کواریانس استفاده کردیم و در این تبدیل از ویژگی هاي زمان – فرکانس داده هاي تصویري جهت استخراج ویژگی بهره می بریم.

-1-2-2 تبدیل ویولت دو بعدي

در هر سیگنال دو بعدي که از آن عموماً به تصویر یاد می شود، یک ماتریس از المان ها موجود است که در سطر وستون هاي مختلف چیده شده اند. هر ستون یا هر سطر از یک تصویر را می توان به عنوان یک سیگنال یک بعدي تصور نمود که مقادیر دامنه آن، میزان روشنایی نقاط - پیکسل هاي - موجود در آن ستون یا سطر خاص را نشان می دهد.