CN110033858A - 一种舌象分析方法及其存储介质 - Google Patents

Abstract

本发明提供一种舌象分析方法，包括：S1、获取舌象样本集，所述舌象样本集中的每个舌象样本至少包括舌象图片、该舌象对应的病症参数值；S2、将所述舌象图片作为深度学习模型的输入层，将所述病症参数值作为输出层，建立舌象图片与病症参数值关联的深度学习模型；S3、将待测舌象图片输入给所述深度学习模型，所述深度学习模型计算出预测的病症参数值。采用本发明，患者无需通过有创或者无创的检测手段或检测设备来对病症参数进行检测以判断病症发展状况，而是利用舌象图片即可直接得到相应病症的病症参数；同时，该舌诊是经由前期的舌象样本所建立起的深度学习模型来进行，使得患者免去了医院就诊的往返奔波和排队耗时，将给患者带来极大的方便。

Description

一种舌象分析方法及其存储介质

技术领域

本发明涉及医学诊疗领域，更具体来说，涉及一种基于人工智能的舌象分析方法及系统、存储介质。

背景技术

舌象是指人的舌头的表象。中医讲究望闻问切，舌象作为身体状况的表征中的一种，通过观察舌象的状态例如舌苔的颜色、厚度等，中医医生们能够判断出患者的某些病症，例如是否有胃病、糖尿病等。

但是中医医生的判断，是基于其丰富的经验积累，有赖于其亲自望诊，并不利于患者的自查自诊；同时，因为知识和经验的局限性，使得患者并没有办法做出相对准确的初判，而当前紧缺的医疗资源和往返医院的劳顿，使得患者不能及时有效地了解病情。

如何提供一种便捷、方便、随时自查的舌象分析方法，且该方法能使得患者得到如经验丰富的医生所能做出的准确的诊断，是本发明所面临的技术难题。

发明内容

为了解决现有技术存在的问题，本发明提供一种舌象分析方法及其存储介质。

其中，本发明的舌象分析方法，至少包括以下步骤：

S1、获取舌象样本集，所述舌象样本集中的每个舌象样本至少包括舌象图片、该舌象对应的病症诊断结果；

S2、将所述舌象图片作为深度学习模型的输入层，将所述病症诊断结果作为输出层，建立舌象图片与病症诊断结果关联的深度学习模型；

S3、将待测舌象图片输入给所述深度学习模型，所述深度学习模型计算出预测的病症诊断结果。

优选地，所述病症诊断结果可以是病症参数值，也可以是该病症的患病几率。

优选地，所述病症参数值对应的病症参数为表征是否患有糖尿病的糖化血红蛋白。

优选地，所述深度学习模型为卷积神经网络模型。

优选地，所述卷积神经网络模型至少包括舌象特征提取层，所述舌象特征提取层所提取的舌象特征至少包括舌形、舌色、红点、舌痕、瘀斑、舌面齿痕、舌苔、舌苔色、舌裂纹、舌面唾液中的四个以上。

优选地，所述卷积神经网络模型还包括病症关联特征提取层，所述病症关联特征提取层用来提取各个所述舌象特征与相应的病症的关联性。

优选地，建立所述深度学习模型的步骤中，在确定最终的深度学习模型之前，对预建立的深度学习模型进行训练，从而获得最优的深度学习模型。

优选地，对于所述舌象图片，按照红、绿、蓝三种颜色的灰阶值作为三个维度，将每个所述舌像图片以M*N*3的维度矩阵进行数据化处理，M为所述舌像图片的横向像素数，N为所述舌像图片的纵向像素数，该维度矩阵作为所述深度学习模型的舌像图片源数据。

本发明还保护一种存储介质，存储有舌象图片与病症诊断结果关联的深度学习模型，所述深度学习模型的输入层为舌象图片，输出层为某病症参数的病症诊断结果；所述存储介质还存储有多条指令，所述指令适用于由处理器加载并执行：

接收待测舌象图片，并将所述待测舌象图片输入给所述深度学习模型；

运行所述深度学习模型，所述深度学习模型计算出预测的病症诊断结果。

优选地，所述深度学习模型为卷积神经网络模型。

通过采用前述技术方案，本发明的有益效果为：

采用本发明的舌象分析方法，患者无需通过有创或者无创的检测手段或检测设备来对病症参数进行检测以判断病症发展状况，而是利用舌象图片即可直接得到相应病症的病症诊断结果；同时，该舌诊也不是经过医生望诊进行，而是经由前期的舌象样本所建立起的深度学习模型来进行，使得患者免去了医院就诊的往返奔波和排队耗时，将给患者带来极大的方便。

附图说明

图1是本发明实施例的舌象分析方法的示意图。

图2是每个神经网络层的示意图。

具体实施方式

现结合附图和具体实施例对本发明进一步说明。

本专利涉及一种舌象分析方法，具体地，如图1所示，该方法包括以下步骤：

S1、获取舌象样本集，舌象样本集中的每个舌象样本至少包括舌象图片、该舌象对应的病症诊断结果；

S2、将舌象图片作为深度学习模型的输入层，将所述病症诊断结果作为输出层，建立舌象图片与病症参数值关联的深度学习模型；

S3、将待测舌象图片输入给所述深度学习模型，所述深度学习模型计算出预测的病症诊断结果。

采用上述方法，本发明能够利用该深度学习模型对输入的舌象图片进行预测，从而预测得出病症诊断结果，患者即可通过该预测的病症诊断结果对相应的病症有个初步的判断。这里的病症诊断结果可以是病症参数值，也可以是该病症的患病几率。病症参数值是指表征该病症的参数指标，例如检测是否患有糖尿病，即检测其糖化血红蛋白这个参数的值是否超标。患病几率是患病的可能性，取0~100%区间来显示或者其他的表现形式。

以糖尿病为例，目前主流的糖尿病日常监测方法分为两种：有创检测和无创检测。有创检测，采用扎针采血的方式对糖化血红蛋白的数值进行直接的检测。有创采血疼痛感明显，一天内血糖检测次数较多，使用户心理负担增大，对血糖监测产生明显的抗拒心理。血糖试纸作为检测的高消耗品，开支高。无创检测，利用光谱测量法或能量代谢守恒法等间接测量糖化血红蛋白的数值。虽然成功避免了有创采血带来的疼痛感，但无法保证测量数据的准确性，可参考价值相对较低。加之购买设备价格较高，加重用户的经济负担，普及度不高。

而采用本发明的方法应用在糖尿病检测时，则是先收集到尽可能多的舌象样本集，舌象样本集中的每个舌象样本都包括舌象图片和提供该舌象图片的患者所检测到的糖化血红蛋白值，该糖化血红蛋白值即作为糖尿病的参数值；然后建立舌象图片与糖化血红蛋白值关联的深度学习模型，该模型以舌象图片为输入层，糖化血红蛋白值为输出层，通过用前述的舌象样本集进行训练和学习，从而得出准确率较高的输出；然后，患者即可将其当前的舌象拍摄图片作为待测舌象图片输入给该深度学习模型，该深度学习模型即可输出预测的糖化血红蛋白值，使得患者在无需针扎采血、也无需戴上光谱测量等仪器即可获知其当前的糖化血红蛋白值，从而判断当前的糖尿病发展状况。

这对糖尿病患者来说，无创无疼痛，无需购买任何测量仪器，也无需奔波去给医生面诊，仅提供一下当前的舌象图片，即可较为准确地诊断出当前的疾病状况，不仅成本低，还方便快捷。

当然，糖尿病只是本发明的舌象分析方法的其中一种应用情景，采用舌象图片与糖化血红蛋白值关联的深度学习模型也仅是诊断糖尿病的一种模型，例如检测糖尿病也可以采用其他病症参数，而本发明的舌象分析方法还可以用来检测尿酸、癌症、三高等其他病症，只要是中医学上目前利用舌象望诊所能进行初步诊断的病症均可适用于本发明的舌象分析方法中，都属于本发明保护范围之内。本发明中，以糖化血红蛋白值、血压值两个作为病症参数值，以预测糖尿病患病几率、高血压患病几率为目的来解释本发明。

本发明的深度学习模型采用卷积神经网络模型，通过对卷积神经网络各神经网络层的设计，实现从舌像图片到病症参数值之间的深度学习。该模型基于VGG模型，在前几层设计了舌像特征提取层，用来提取包括舌形、舌色、红点、舌痕、瘀斑、舌面齿痕、舌苔、舌苔色、舌面唾液、舌裂纹等多个舌象特征，例如至少提取舌形、舌色、舌苔、舌苔色四个舌象特征。不过为了更为全面地反应舌像，并且更准确地估测病症关联性，对于现有已知和已有分类的舌象特征，应尽可能地均采用。本发明中，优选前述舌象特征中的九个，即本卷积神经网络模型中，前九层的舌像特征提取层分别为该九个舌象特征的神经网络层。

本模型中还设计了病症关联特征提取层，采用的是神经网络层，用来提取各个所述舌象特征与相应的病症的关联性。例如在上述含有九个舌象特征神经网络层的模型中，第十层用于识别所提取的舌象特征偏向于哪个病症，即患糖尿病还是高血压，而模型的最后一层用于判断该病的患病几率，也即诊断结果。当本发明仅需诊断是否患有糖尿病时，则本发明的卷积神经网络模型只需要采用VGG模型，设计前述多个舌象特征提取层，每个舌象特征提取层能提取出相应的舌象特征并评估该特征与糖尿病的关联性，最后采用神经网络层来识别各个舌象特征与糖尿病的关联性即可。

具体实现中，对于舌象图片，按照红、绿、蓝三种颜色的灰阶值作为三个维度，将每个所述舌像图片以M*N*3的维度矩阵进行数据化处理，M为所述舌像图片的横向像素数，N为所述舌像图片的纵向像素数，该维度矩阵作为所述深度学习模型的舌像图片源数据。例如，每张舌像图片按照分辨率256*256进行输入建模，在未进入第一层神经网络层前，按照R、G、B三个维度，每张图片以256*256*3维度的向量矩阵进行数据构成。处理每张图片时，以3*3矩阵为卷积核，以1个像素为卷积核处理图片的步长，之后图片逐层进入模型，根据不同的病症，最终模型会根据待测舌像图片输出相关的预测病症参数值或者相应病症的患病几率。而针对每一层，模型会给出相应病症特征的关联性，从而看出具体哪个舌象特征与该病症强关联。

如图2所示，每个神经网络层包括卷积层、激活函数层和池化层，上述舌象图片的向量矩阵作为输入，经卷积层、激活函数层和池化层后输出R₁，然后进入第二个神经网络层输出为R₂，依次类推直至最后一层。每个子输出R_i（i=1，2，3，……，n，n为该卷积神经网络模型的层数）有多个节点，每个节点都与下一个神经网络层的卷积层节点连结做向前传导直至进入最后一层也即全连接层，记做FC。全连结层与每层神经网络关联，构成整体训练模型。

在每个神经网络层中，每层卷积层都包含多个神经元，相关输入通过神经元的weight（权重）与神经元相连。当输入进入一个神经元以后需要激活函数将相关输出进行激活，具体函数为，其中x_i为第i个输入节点，w_i为x_i的权重，b为偏置值。经过激活函数层后再进入池化层实现降维操作，从而降低运算复杂度。

通过构建上述的卷积神经网络模型，将舌象图片与最终的病症参数值或患病几率进行关联，在确定最终的深度学习模型之前，需要对预建立的深度学习模型进行训练，并通过舌象样本集的各个舌象样本、一般是千个以上样本的训练学习，从而获得最优的深度学习模型，也即最终准确率较高的卷积方程式。在这样的卷积神经网络模型下，输入待测舌象图片，运行该卷积神经网络模型，即可预测出较为准确的病症参数值。

基于以上舌象分析方法，本发明还保护一种存储介质，存储有上述舌象图片与病症参数值关联的深度学习模型，该深度学习模型的输入层为舌象图片，输出层为某病症参数的病症参数值，具体参见上文描述，此处不再赘述。本发明的存储介质还存储有多条指令，这些指令适用于由处理器加载并执行以下操作：

接收待测舌象图片，并将待测舌象图片输入给深度学习模型；

运行深度学习模型，深度学习模型计算出预测的病症参数值。

这里的存储介质可以是硬盘、软盘、闪存、服务器或者云端或者其他任何存储载体，只要其存储有上述深度学习模型，并利用该深度学习模型预测某病症参数值即属于本发明的保护范围之内。具体的深度学习模型参加前文描述，这里不再赘述。

与普通的舌诊仪相比，本发明有非常明显的优越性。普通的舌诊仪体积大而笨重，造价昂贵，只适用于医院或诊所内采用，而其功能也仅能进行舌象拍照、舌象图片存储、病历上传等记录性功能，诊断的工作依然只能有医生来进行，而诊断的准确性还要依赖于当前面诊的医生的经验要足够丰富，并且该舌象与该病症的关联性还是只有医生意会而无法言传。而本发明的舌象分析方法，则是用一定数量的舌象样本为基础，用明确的已检验出的病症参数值作为评估指标，来检验本发明的深度学习模型所做预测的准确性，从而具有更为精确而科学的诊断依据。对于患者而言，无需购买舌诊仪，无需向医生面诊，仅需输入当前待测的舌象图片，即可实时得到诊断结果，极其方便快捷。

尽管结合优选实施方案具体展示和介绍了本发明，具体实现该技术方案方法和途径很多，以上所述仅是本发明的优选实施方式，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (10)

1.一种舌象分析方法，其特征在于，至少包括以下步骤：

S1、获取舌象样本集，所述舌象样本集中的每个舌象样本至少包括舌象图片、该舌象对应的病症诊断结果；

S2、将所述舌象图片作为深度学习模型的输入层，将所述病症诊断结果作为输出层，建立舌象图片与病症诊断结果关联的深度学习模型；

S3、将待测舌象图片输入给所述深度学习模型，所述深度学习模型计算出预测的病症诊断结果。

2.根据权利要求1所述的舌象分析方法，其特征在于，所述病症诊断结果是病症参数值，或者是该病症的患病几率。

3.根据权利要求1所述的舌象分析方法，其特征在于，所述病症参数值对应的病症参数为表征是否患有糖尿病的糖化血红蛋白。

4.根据权利要求1所述的舌象分析方法，其特征在于，所述深度学习模型为卷积神经网络模型。

5.根据权利要求4所述的舌象分析方法，其特征在于，所述卷积神经网络模型至少包括舌象特征提取层，所述舌象特征提取层所提取的舌象特征至少包括舌形、舌色、红点、舌痕、瘀斑、舌面齿痕、舌苔、舌苔色、舌裂纹、舌面唾液中的四个以上。

6.根据权利要求5所述的舌象分析方法，其特征在于，所述卷积神经网络模型还包括病症关联特征提取层，所述病症关联特征提取层用来提取各个所述舌象特征与相应的病症的关联性。

7.根据权利要求1所述的舌象分析方法，其特征在于，建立所述深度学习模型的步骤中，在确定最终的深度学习模型之前，对预建立的深度学习模型进行训练，从而获得最优的深度学习模型。

8.根据权利要求6所述的舌象分析方法，其特征在于，对于所述舌象图片，按照红、绿、蓝三种颜色的灰阶值作为三个维度，将每个所述舌像图片以M*N*3的维度矩阵进行数据化处理，M为所述舌像图片的横向像素数，N为所述舌像图片的纵向像素数，该维度矩阵作为所述深度学习模型的舌像图片源数据。

9.一种存储介质，其特征在于，存储有舌象图片与病症诊断结果关联的深度学习模型，所述深度学习模型的输入层为舌象图片，输出层为某病症参数的病症诊断结果；所述存储介质还存储有多条指令，所述指令适用于由处理器加载并执行：

接收待测舌象图片，并将所述待测舌象图片输入给所述深度学习模型；

运行所述深度学习模型，所述深度学习模型计算出预测的病症诊断结果。

10.根据权利要求9所述的存储介质，其特征在于，所述深度学习模型为卷积神经网络模型。