帕金森病(Parkinson’s Disease,PD)是一种多发于老年人群的慢性神经退行性疾病,其症状严重影响了患者及其家庭成员的正常生活。因此,对潜在的PD患者进行早期诊断至关重要,这有助于及时采取治疗措施以延缓病情的加剧。近年来,基于面部表情的体外PD诊断因其直观性(PD患者普遍具有面部表情障碍的症状selleckchem)和经济性而受到越来越多的关注。然而,已有诊断方法的性能主要受到两方面的制约:第一是用于训练的面部表情数据规模较小,第二是用于预测的模型特征提取能力较弱。为此,本文提出通过数据生成和质量评价提升基于面部表情的体外PD诊断效果。具体来说,本文重点开展以下三方面的研究:(1)基于生成对抗网络的面部表情生成。针对PD体外诊断中训练数据有限导致模型泛化性能低的问题,采用深度生成对抗网络学习多种基本表情之间的映射关系,从而生成患者的六类基本面部表情,即愤怒、厌恶、恐惧、高兴、悲伤和惊讶。生成结果在保留患者身份信息的同时表现了其在未患病时的正常表情特征,其可作为真实采集患者表情的对照组数据共同用于诊断模型学习,并起到扩充训练集的作用。(2)对生成表情图像的质量评价。为减轻低质量的生成数据对诊断模型训练产生的负面影响,采用基于分析型和学习型两类思想的面部图像质量评价方法对Gefitinib-based PROTAC 3说明书生成表情图像进行质量评价。通过引入人脸对称性、图像清晰度和Face Qnet三种具体的质量评价标准,并提出一种融合评价策略,以此来遴选高质量的生成表情图像用于后续模型训练,从而实现高质量数据增强。(3)PD预测诊断模型学习。为了实现准medical audit确的PD体外诊断,将包含真实采集患者表情和高质量生成表情的混合数据作为训练集,以深度神经网络Res Net-18作为诊断模型主干,通过有监督的方式训练模型学习面部表情与PD之间的隐式映射,训练得到的模型能够根据输入的面部表情提取高层语义特征,并据此进行PD预测诊断。为了验证本文提出方法的真实有效性,本文研究组与相关医院科室合作建立了包含多种表情的PD患者面部表情数据集PDFE,并基于此数据集开展实验论证。实验结果表明,本文提出的体外诊断方法达到了95.43%的PD诊断准确率,优于其他比较方法。此外,消融实验的结果也验证了本文方法中面部表情生成和融合质量评价策略的有效性。