CN109493971A - 基于舌相识别的脂肪肝预测方法及装置 - Google Patents
基于舌相识别的脂肪肝预测方法及装置 Download PDFInfo
- Publication number
- CN109493971A CN109493971A CN201910075821.4A CN201910075821A CN109493971A CN 109493971 A CN109493971 A CN 109493971A CN 201910075821 A CN201910075821 A CN 201910075821A CN 109493971 A CN109493971 A CN 109493971A
- Authority
- CN
- China
- Prior art keywords
- fatty liver
- tongue
- image pattern
- patient
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种基于舌相识别的脂肪肝预测方法及装置,通过采用大量的标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本训练预设脂肪肝预测神经网络,得到脂肪肝预测模型,无需人为指定特征统计模型的单一变量参数。在此基础上,将待测患者的舌头图像输入到脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度,最后根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。由此,经过大量图像样本拟合出来的脂肪肝预测模型的网络模型参数具有脂肪肝判别准确率高的特点,对于各种影响因素也可以自动学习到最佳拟合参数,有效增强了脂肪肝预测模型的泛化能力。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种基于舌相识别的脂肪肝预测方法及装置。
背景技术
目前在检测被测患者患脂肪肝的概率时,往往都是通过单因素变量建立特征统计模型,然后基于该特征统计模型分析某种单一变量下发生脂肪肝的概率,再通过各种单一因素下的概率统计来计算综合概率指标。然而特征统计模型的统计逻辑比较简单,可能导致由于一部分因素考虑不充分从而造成脂肪肝判别准确率低的问题。
发明内容
为了克服现有技术中的上述不足,本申请的目的在于提供一种基于舌相识别的脂肪肝预测方法及装置,以解决或者改善上述问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种基于舌相识别的脂肪肝预测方法,应用于电子设备,所述方法包括:
获取舌头图像样本集,所述舌头图像样本集包括标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本;
根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型;
将待测患者的舌头图像输入到所述脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度;
根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。
在一种可能的实施方式中,所述获取舌头图像样本集的步骤,包括:
将原始图像样本集中的各个原始图像样本输入到预先训练的多目标检测神经网络中,获得各个原始图像样本中的嘴部张开区域,其中,所述原始图像样本集包括标记有脂肪肝患者的多个第一原始图像样本以及标记有无脂肪肝患者的多个第二原始图像样本;
将各个原始图像样本中的嘴部张开区域输入到预先训练的舌头分割模型中,获得各个原始图像样本中的嘴部张开区域中的舌头图像样本,以得到舌头图像样本集。
在一种可能的实施方式中,所述方法还包括:
预先训练所述多目标检测神经网络,具体包括:
根据所述舌头图像样本集获取多个标注有嘴部张开区域的图像样本;
根据所述多个标注有嘴部张开区域的图像样本训练得到所述多目标检测神经网络;以及
预先训练所述舌头分割模型,具体包括:
根据各个原始图像样本中的嘴部张开区域预先训练语义分割模型deeplabv3+网络,得到所述舌头分割模型,其中,每个原始图像样本中的嘴部张开区域中标记有舌头区域。
在一种可能的实施方式中,所述根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型的步骤,包括:
将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中,依次通过各层卷积层提取每个第一舌头图像样本以及每个第二舌头图像样本的样本特征信息;
通过与所述预设脂肪肝预测神经网络的最后一层卷积层连接的全连接层将每个卷积层提取到的样本特征信息进行全连接得到综合样本特征信息;
通过sigmoid激活函数对所述全连接层输出的每个第一舌头图像样本以及每个第二舌头图像样本的综合样本特征信息进行特征分类,得到对应的脂肪肝预测值;
将每个第一舌头图像样本以及每个第二舌头图像样本的脂肪肝预测值与脂肪肝真实值进行比较,并将脂肪肝预测值与脂肪肝真实值之间的误差作为损失函数值进行反向求导,更新所述预设脂肪肝预测神经网络的网络参数后返回将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中的步骤,并在满足训练终止条件时,输出对应的脂肪肝预测模型。
在一种可能的实施方式中,所述根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果的步骤,包括:
判断该待测患者患脂肪肝的置信度是否大于设定置信度;
若该待测患者患脂肪肝的置信度大于设定置信度,则生成该该待测患者患脂肪肝的脂肪肝预测结果;
若该待测患者患脂肪肝的置信度不大于设定置信度,则生成该该待测患者未患脂肪肝的脂肪肝预测结果。
第二方面,本申请实施例还提供一种基于舌相识别的脂肪肝预测装置,应用于电子设备,所述装置包括:
获取模块,用于获取舌头图像样本集,所述舌头图像样本集包括标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本;
训练模块,用于根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型;
输入模块,用于将待测患者的舌头图像输入到所述脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度;
生成模块,用于根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。
第三方面,本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述的基于舌相识别的脂肪肝预测方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供一种基于舌相识别的脂肪肝预测方法及装置,通过采用大量的标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本训练预设脂肪肝预测神经网络,得到脂肪肝预测模型,无需人为指定特征统计模型的单一变量参数。在此基础上,将待测患者的舌头图像输入到脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度,最后根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。由此,经过大量图像样本拟合出来的脂肪肝预测模型的网络模型参数具有脂肪肝判别准确率高的特点,对于各种影响因素也可以自动学习到最佳拟合参数,有效增强了脂肪肝预测模型的泛化能力。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1为本申请实施例提供的基于舌相识别的脂肪肝预测方法的流程示意图;
图2为本申请实施例提供的预设脂肪肝预测神经网络的网络结构示意图;
图3为本申请实施例提供的基于舌相识别的脂肪肝预测装置的功能模块示意图;
图4为本申请实施例提供的用于实现上述基于舌相识别的脂肪肝预测方法的电子设备的结构示意框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1,为本申请实施例提供的基于舌相识别的脂肪肝预测方法的一种流程示意图,应当理解,在其它实施例中,本实施例的基于舌相识别的脂肪肝预测方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该基于舌相识别的脂肪肝预测方法的详细步骤介绍如下。
步骤S210,获取舌头图像样本集。
本实施例中,所述舌头图像样本集包括标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本。
作为一种实施方式,可以将原始图像样本集中的各个原始图像样本输入到预先训练的多目标检测神经网络(Multi-task Cascaded Convolutional Networks,MTCNN)中,获得各个原始图像样本中的嘴部张开区域,其中,所述原始图像样本集包括标记有脂肪肝患者的多个第一原始图像样本以及标记有无脂肪肝患者的多个第二原始图像样本。而后,将各个原始图像样本中的嘴部张开区域输入到预先训练的舌头分割模型中,获得各个原始图像样本中的嘴部张开区域中的舌头图像样本,以得到舌头图像样本集。
可选地,在此之前该基于舌相识别的脂肪肝预测方法还可以包括预先训练所述多目标检测神经网络和预先训练所述舌头分割模型的步骤。
其中,预先训练所述多目标检测神经网络具体可以包括:根据所述舌头图像样本集获取多个标注有嘴部张开区域的图像样本,再根据所述多个标注有嘴部张开区域的图像样本训练得到所述多目标检测神经网络。如此,有效利用了上述的舌头图像样本集中的各个第一原始图像样本以及各个第二原始图像样本,并标注嘴部张开区域,使得训练得到的多目标检测神经网络具有识别图像中的嘴部张开区域的能力。
预先训练所述舌头分割模型具体可以包括:根据各个原始图像样本中的嘴部张开区域预先训练语义分割模型deeplabv3+网络,得到所述舌头分割模型,其中,每个原始图像样本中的嘴部张开区域中标记有舌头区域。如此,使得训练得到的舌头分割模型具有识别图像中的舌头区域的能力,相比于目前通过人工对齐舌头照片来分割舌头区域,执行效率更高。
步骤S220,根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型。
在一种可能的实施方式中,该预设脂肪肝预测神经网络的部分网络示意结构请结合参阅图2所示,该预设脂肪肝预测神经网络可包括输入层Input、多层卷积层Conv、与最后一层卷积层Conv连接的全连接层Fully connect以及sigmoid激活函数。其中,输入层Input和各层卷积层Conv的图像尺寸如图2中各层下方所示。
在上述基础上,首先,将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层Input中,依次通过各层卷积层Conv提取每个第一舌头图像样本以及每个第二舌头图像样本的样本特征信息。
接着,通过与所述预设脂肪肝预测神经网络的最后一层卷积层Conv连接的全连接层Fully connect将每个卷积层Conv提取到的样本特征信息进行全连接得到综合样本特征信息。
而后,通过sigmoid激活函数对所述全连接层Fully connect输出的每个第一舌头图像样本以及每个第二舌头图像样本的综合样本特征信息进行特征分类,得到对应的脂肪肝预测值。
最后,将每个第一舌头图像样本以及每个第二舌头图像样本的脂肪肝预测值与脂肪肝真实值进行比较,并将脂肪肝预测值与脂肪肝真实值之间的误差作为损失函数值进行反向求导,更新所述预设脂肪肝预测神经网络的网络参数后返回将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中的步骤,并在满足训练终止条件时,输出对应的脂肪肝预测模型。
可选地,所述训练终止条件可以是但并不限于:所述损失函数值低于预设损失函数值、所述损失函数值不再下降或者训练迭代次数达到预设迭代次数中的一种或者多种组合。
步骤S230,将待测患者的舌头图像输入到所述脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度。
基于前述描述,训练得到的脂肪肝预测模型可具有预测舌头图像存在的脂肪肝预测值的能力,由此,可以将待测患者的舌头图像输入到所述脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度。
步骤S240,根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。
作为一种可能的实施方式,可以判断该待测患者患脂肪肝的置信度是否大于设定置信度,若该待测患者患脂肪肝的置信度大于设定置信度,则生成该该待测患者患脂肪肝的脂肪肝预测结果;若该待测患者患脂肪肝的置信度不大于设定置信度,则生成该该待测患者未患脂肪肝的脂肪肝预测结果。
例如,若设定置信度为0.5,该待测患者患脂肪肝的置信度大于0.5,则生成该该待测患者患脂肪肝的脂肪肝预测结果;若该待测患者患脂肪肝的置信度不大于0.5,则生成该该待测患者未患脂肪肝的脂肪肝预测结果。
通过上述步骤,本实施例通过采用大量的标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本训练预设脂肪肝预测神经网络,得到脂肪肝预测模型,无需人为指定特征统计模型的单一变量参数。在此基础上,将待测患者的舌头图像输入到脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度,最后根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。由此,经过大量图像样本拟合出来的脂肪肝预测模型的网络模型参数具有脂肪肝判别准确率高的特点,对于各种影响因素也可以自动学习到最佳拟合参数,有效增强了脂肪肝预测模型的泛化能力。
进一步地,请参阅图3,本申请实施例还提供一种基于舌相识别的脂肪肝预测装置200,该基于舌相识别的脂肪肝预测装置200实现的功能可以对应上述基于舌相识别的脂肪肝预测方法执行的步骤。如图3所示,该报文转发控制装置200可以包括获取模块210、训练模块220、输入模块230以及生成模块240,下面分别对该基于舌相识别的脂肪肝预测装置200的各个功能模块的功能进行详细阐述。
获取模块210,用于获取舌头图像样本集,所述舌头图像样本集包括标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本。
训练模块220,用于根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型。
输入模块230,用于将待测患者的舌头图像输入到所述脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度。
生成模块240,用于根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。
在一种可能的实施方式中,所述获取模块210通过以下方式获取舌头图像样本集:
将原始图像样本集中的各个原始图像样本输入到预先训练的多目标检测神经网络中,获得各个原始图像样本中的嘴部张开区域,其中,所述原始图像样本集包括标记有脂肪肝患者的多个第一原始图像样本以及标记有无脂肪肝患者的多个第二原始图像样本;
将各个原始图像样本中的嘴部张开区域输入到预先训练的舌头分割模型中,获得各个原始图像样本中的嘴部张开区域中的舌头图像样本,以得到舌头图像样本集。
在一种可能的实施方式中,所述训练模块220,具体还可以用于通过以下方式预先训练所述多目标检测神经网络:
根据所述舌头图像样本集获取多个标注有嘴部张开区域的图像样本;
根据所述多个标注有嘴部张开区域的图像样本训练得到所述多目标检测神经网络;
所述训练模块220,具体还可以用于通过以下方式预先训练所述舌头分割模型:
根据各个原始图像样本中的嘴部张开区域预先训练语义分割模型deeplabv3+网络,得到所述舌头分割模型,其中,每个原始图像样本中的嘴部张开区域中标记有舌头区域。
在一种可能的实施方式中,所述训练模块220具体可以通过以下方式对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型:
将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中,依次通过各层卷积层提取每个第一舌头图像样本以及每个第二舌头图像样本的样本特征信息;
通过与所述预设脂肪肝预测神经网络的最后一层卷积层连接的全连接层将每个卷积层提取到的样本特征信息进行全连接得到综合样本特征信息;
通过sigmoid激活函数对所述全连接层输出的每个第一舌头图像样本以及每个第二舌头图像样本的综合样本特征信息进行特征分类,得到对应的脂肪肝预测值;
将每个第一舌头图像样本以及每个第二舌头图像样本的脂肪肝预测值与脂肪肝真实值进行比较,并将脂肪肝预测值与脂肪肝真实值之间的误差作为损失函数值进行反向求导,更新所述预设脂肪肝预测神经网络的网络参数后返回将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中的步骤,并在满足训练终止条件时,输出对应的脂肪肝预测模型。
在一种可能的实施方式中,所述生成模块240具体可以通过以下方式生成该待测患者的脂肪肝预测结果:
判断该待测患者患脂肪肝的置信度是否大于设定置信度;
若该待测患者患脂肪肝的置信度大于设定置信度,则生成该该待测患者患脂肪肝的脂肪肝预测结果;
若该待测患者患脂肪肝的置信度不大于设定置信度,则生成该该待测患者未患脂肪肝的脂肪肝预测结果。
可以理解的是,本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述,在此不再重复赘述。
进一步地,请参阅图4,为本申请实施例提供的用于上述基于舌相识别的脂肪肝预测方法的电子设备100的结构示意框图。本实施例中,所述电子设备100可以由总线110作一般性的总线体系结构来实现。根据电子设备100的具体应用和整体设计约束条件,总线110可以包括任意数量的互连总线和桥接。总线110将各种电路连接在一起,这些电路包括处理器120、存储介质130和总线接口140。可选地,电子设备100可以使用总线接口140将网络适配器150等经由总线110连接。网络适配器150可用于实现电子设备100中物理层的信号处理功能,并通过天线实现射频信号的发送和接收。用户接口160可以连接外部设备,例如:键盘、显示器、鼠标或者操纵杆等。总线110还可以连接各种其它电路,如定时源、外围设备、电压调节器或者功率管理电路等,这些电路是本领域所熟知的,因此不再详述。
可以替换的,电子设备100也可配置成通用处理系统,例如通称为芯片,该通用处理系统包括:提供处理功能的一个或多个微处理器,以及提供存储介质130的至少一部分的外部存储器,所有这些都通过外部总线体系结构与其它支持电路连接在一起。
可替换的,电子设备100可以使用下述来实现:具有处理器120、总线接口140、用户接口160的ASIC(专用集成电路);以及集成在单个芯片中的存储介质130的至少一部分,或者,电子设备100可以使用下述来实现:一个或多个FPGA(现场可编程门阵列)、PLD(可编程逻辑器件)、控制器、状态机、门逻辑、分立硬件部件、任何其它适合的电路、或者能够执行本申请通篇所描述的各种功能的电路的任意组合。
其中,处理器120负责管理总线110和一般处理(包括执行存储在存储介质130上的软件)。处理器120可以使用一个或多个通用处理器和/或专用处理器来实现。处理器120的例子包括微处理器、微控制器、DSP处理器和能够执行软件的其它电路。应当将软件广义地解释为表示指令、数据或其任意组合,而不论是将其称作为软件、固件、中间件、微代码、硬件描述语言还是其它。
在图4中存储介质130被示为与处理器120分离,然而,本领域技术人员很容易明白,存储介质130或其任意部分可位于电子设备100之外。举例来说,存储介质130可以包括传输线、用数据调制的载波波形、和/或与无线节点分离开的计算机制品,这些介质均可以由处理器120通过总线接口140来访问。可替换地,存储介质130或其任意部分可以集成到处理器120中,例如,可以是高速缓存和/或通用寄存器。
所述处理器120可执行上述实施例,具体地,所述存储介质130中可以存储有所述基于舌相识别的脂肪肝预测装置200,所述处理器120可以用于执行所述基于舌相识别的脂肪肝预测装置200。
进一步地,本申请实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于舌相识别的脂肪肝预测方法。
综上所述,本申请实施例提供一种基于舌相识别的脂肪肝预测方法及装置,通过采用大量的标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本训练预设脂肪肝预测神经网络,得到脂肪肝预测模型,无需人为指定特征统计模型的单一变量参数。在此基础上,将待测患者的舌头图像输入到脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度,最后根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。由此,经过大量图像样本拟合出来的脂肪肝预测模型的网络模型参数具有脂肪肝判别准确率高的特点,对于各种影响因素也可以自动学习到最佳拟合参数,有效增强了脂肪肝预测模型的泛化能力。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其它可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的电子设备、服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句"包括一个……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于舌相识别的脂肪肝预测方法,其特征在于,应用于电子设备,所述方法包括:
获取舌头图像样本集,所述舌头图像样本集包括标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本;
根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型;
将待测患者的舌头图像输入到所述脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度;
根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。
2.根据权利要求1所述的基于舌相识别的脂肪肝预测方法,其特征在于,所述获取舌头图像样本集的步骤,包括:
将原始图像样本集中的各个原始图像样本输入到预先训练的多目标检测神经网络中,获得各个原始图像样本中的嘴部张开区域,其中,所述原始图像样本集包括标记有脂肪肝患者的多个第一原始图像样本以及标记有无脂肪肝患者的多个第二原始图像样本;
将各个原始图像样本中的嘴部张开区域输入到预先训练的舌头分割模型中,获得各个原始图像样本中的嘴部张开区域中的舌头图像样本,以得到舌头图像样本集。
3.根据权利要求2所述的基于舌相识别的脂肪肝预测方法,其特征在于,所述方法还包括:
预先训练所述多目标检测神经网络,具体包括:
根据所述舌头图像样本集获取多个标注有嘴部张开区域的图像样本;
根据所述多个标注有嘴部张开区域的图像样本训练得到所述多目标检测神经网络;以及
预先训练所述舌头分割模型,具体包括:
根据各个原始图像样本中的嘴部张开区域预先训练语义分割模型deeplabv3+网络,得到所述舌头分割模型,其中,每个原始图像样本中的嘴部张开区域中标记有舌头区域。
4.根据权利要求1所述的基于舌相识别的脂肪肝预测方法,其特征在于,所述根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型的步骤,包括:
将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中,依次通过各层卷积层提取每个第一舌头图像样本以及每个第二舌头图像样本的样本特征信息;
通过与所述预设脂肪肝预测神经网络的最后一层卷积层连接的全连接层将每个卷积层提取到的样本特征信息进行全连接得到综合样本特征信息;
通过sigmoid激活函数对所述全连接层输出的每个第一舌头图像样本以及每个第二舌头图像样本的综合样本特征信息进行特征分类,得到对应的脂肪肝预测值;
将每个第一舌头图像样本以及每个第二舌头图像样本的脂肪肝预测值与脂肪肝真实值进行比较,并将脂肪肝预测值与脂肪肝真实值之间的误差作为损失函数值进行反向求导,更新所述预设脂肪肝预测神经网络的网络参数后返回将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中的步骤,并在满足训练终止条件时,输出对应的脂肪肝预测模型。
5.根据权利要求1-4中任意一项所述的基于舌相识别的脂肪肝预测方法,其特征在于,所述根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果的步骤,包括:
判断该待测患者患脂肪肝的置信度是否大于设定置信度;
若该待测患者患脂肪肝的置信度大于设定置信度,则生成该该待测患者患脂肪肝的脂肪肝预测结果;
若该待测患者患脂肪肝的置信度不大于设定置信度,则生成该该待测患者未患脂肪肝的脂肪肝预测结果。
6.一种基于舌相识别的脂肪肝预测装置,其特征在于,应用于电子设备,所述装置包括:
获取模块,用于获取舌头图像样本集,所述舌头图像样本集包括标记有脂肪肝患者的多个第一舌头图像样本以及标记有无脂肪肝患者的多个第二舌头图像样本;
训练模块,用于根据所述舌头图像样本集对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型;
输入模块,用于将待测患者的舌头图像输入到所述脂肪肝预测模型中,得到该待测患者患脂肪肝的置信度;
生成模块,用于根据该待测患者患脂肪肝的置信度生成该待测患者的脂肪肝预测结果。
7.根据权利要求6所述的基于舌相识别的脂肪肝预测装置,其特征在于,所述获取模块通过以下方式获取舌头图像样本集:
将原始图像样本集中的各个原始图像样本输入到预先训练的多目标检测神经网络中,获得各个原始图像样本中的嘴部张开区域,其中,所述原始图像样本集包括标记有脂肪肝患者的多个第一原始图像样本以及标记有无脂肪肝患者的多个第二原始图像样本;
将各个原始图像样本中的嘴部张开区域输入到预先训练的舌头分割模型中,获得各个原始图像样本中的嘴部张开区域中的舌头图像样本,以得到舌头图像样本集。
8.根据权利要求7所述的基于舌相识别的脂肪肝预测装置,其特征在于,所述训练模块,具体还用于通过以下方式预先训练所述多目标检测神经网络:
根据所述舌头图像样本集获取多个标注有嘴部张开区域的图像样本;
根据所述多个标注有嘴部张开区域的图像样本训练得到所述多目标检测神经网络;
所述训练模块,具体还用于通过以下方式预先训练所述舌头分割模型:
根据各个原始图像样本中的嘴部张开区域预先训练语义分割模型deeplabv3+网络,得到所述舌头分割模型,其中,每个原始图像样本中的嘴部张开区域中标记有舌头区域。
9.根据权利要求6所述的基于舌相识别的脂肪肝预测装置,其特征在于,所述训练模块具体通过以下方式对预设脂肪肝预测神经网络进行训练,输出训练得到的脂肪肝预测模型:
将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中,依次通过各层卷积层提取每个第一舌头图像样本以及每个第二舌头图像样本的样本特征信息;
通过与所述预设脂肪肝预测神经网络的最后一层卷积层连接的全连接层将每个卷积层提取到的样本特征信息进行全连接得到综合样本特征信息;
通过sigmoid激活函数对所述全连接层输出的每个第一舌头图像样本以及每个第二舌头图像样本的综合样本特征信息进行特征分类,得到对应的脂肪肝预测值;
将每个第一舌头图像样本以及每个第二舌头图像样本的脂肪肝预测值与脂肪肝真实值进行比较,并将脂肪肝预测值与脂肪肝真实值之间的误差作为损失函数值进行反向求导,更新所述预设脂肪肝预测神经网络的网络参数后返回将所述舌头图像样本集中的各个第一舌头图像样本以及各个第二舌头图像样本输入到所述预设脂肪肝预测神经网络中的输入层中的步骤,并在满足训练终止条件时,输出对应的脂肪肝预测模型。
10.根据权利要求6-9中任意一项所述的基于舌相识别的脂肪肝预测装置,其特征在于,所述生成模块具体通过以下方式生成该待测患者的脂肪肝预测结果:
判断该待测患者患脂肪肝的置信度是否大于设定置信度;
若该待测患者患脂肪肝的置信度大于设定置信度,则生成该该待测患者患脂肪肝的脂肪肝预测结果;
若该待测患者患脂肪肝的置信度不大于设定置信度,则生成该该待测患者未患脂肪肝的脂肪肝预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075821.4A CN109493971A (zh) | 2019-01-25 | 2019-01-25 | 基于舌相识别的脂肪肝预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075821.4A CN109493971A (zh) | 2019-01-25 | 2019-01-25 | 基于舌相识别的脂肪肝预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109493971A true CN109493971A (zh) | 2019-03-19 |
Family
ID=65714890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910075821.4A Pending CN109493971A (zh) | 2019-01-25 | 2019-01-25 | 基于舌相识别的脂肪肝预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493971A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110236497A (zh) * | 2019-07-10 | 2019-09-17 | 中电健康云科技有限公司 | 一种基于舌相和bmi指数的脂肪肝预测方法 |
WO2023178789A1 (zh) * | 2022-03-21 | 2023-09-28 | 平安科技(深圳)有限公司 | 患病风险估计网络的优化方法、装置、介质及设备 |
CN118038192A (zh) * | 2024-04-11 | 2024-05-14 | 康亲(厦门)控股有限公司 | 一种少样本图卷积舌象分类方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202078302U (zh) * | 2011-05-20 | 2011-12-21 | 姜华 | 一种便携式舌象获取装置 |
CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
-
2019
- 2019-01-25 CN CN201910075821.4A patent/CN109493971A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202078302U (zh) * | 2011-05-20 | 2011-12-21 | 姜华 | 一种便携式舌象获取装置 |
CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
Non-Patent Citations (1)
Title |
---|
李刚 等: "基于光谱法舌诊的脂肪肝快速诊断", 《光谱学与光谱分析》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110236497A (zh) * | 2019-07-10 | 2019-09-17 | 中电健康云科技有限公司 | 一种基于舌相和bmi指数的脂肪肝预测方法 |
WO2023178789A1 (zh) * | 2022-03-21 | 2023-09-28 | 平安科技(深圳)有限公司 | 患病风险估计网络的优化方法、装置、介质及设备 |
CN118038192A (zh) * | 2024-04-11 | 2024-05-14 | 康亲(厦门)控股有限公司 | 一种少样本图卷积舌象分类方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
CN109493971A (zh) | 基于舌相识别的脂肪肝预测方法及装置 | |
CN106934376B (zh) | 一种图像识别方法、装置及移动终端 | |
WO2019095118A1 (zh) | 一种皮肤瑕疵点分类方法及电子设备 | |
CN107196788A (zh) | 一种埋点数据的处理方法、装置、服务器及客户端 | |
CN106066986A (zh) | 用于感测指纹的方法和装置 | |
CN109754376A (zh) | 图像去噪方法及装置 | |
JP6402408B2 (ja) | タグ処理方法及びタグ処理装置 | |
JP2017536635A (ja) | ピクチャーのシーンの判定方法、装置及びサーバ | |
Bruno et al. | A survey on automated food monitoring and dietary management systems | |
CN110349082A (zh) | 图像区域的裁剪方法和装置、存储介质及电子装置 | |
CN109359539A (zh) | 注意力评估方法、装置、终端设备及计算机可读存储介质 | |
CN105389325A (zh) | 内容搜索方法和实施内容搜索方法的电子装置 | |
CN109992498A (zh) | 测试用例的生成方法及系统、计算机系统 | |
CN109840111A (zh) | 一种图形化的业务处理系统和方法 | |
CN106489141A (zh) | 用于对内容进行分类的方法和电子设备 | |
CN107679457A (zh) | 用户身份校验方法及装置 | |
CN110262965A (zh) | 一种应用程序的测试方法及设备 | |
CN110457974A (zh) | 图像叠加方法、装置、电子设备及可读存储介质 | |
CN111523324A (zh) | 命名实体识别模型的训练方法及装置 | |
CN108319641A (zh) | 菜品信息录入方法及装置 | |
CN107729452A (zh) | 网页加载方法、装置、电子设备及计算机可读存储介质 | |
CN109598602A (zh) | 对账方法、装置、设备及计算机可读存储介质 | |
CN109934072A (zh) | 人员统计方法及装置 | |
CN108280487A (zh) | 一种结节良恶性的确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |