CN113130066A - 一种基于人工智能的舌诊图像识别方法 - Google Patents

一种基于人工智能的舌诊图像识别方法 Download PDF

Info

Publication number
CN113130066A
CN113130066A CN202110302081.0A CN202110302081A CN113130066A CN 113130066 A CN113130066 A CN 113130066A CN 202110302081 A CN202110302081 A CN 202110302081A CN 113130066 A CN113130066 A CN 113130066A
Authority
CN
China
Prior art keywords
tongue
hypergraph
area
calculating
average
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
Application number
CN202110302081.0A
Other languages
English (en)
Inventor
颜成钢
彭开来
高宇涵
张二四
孙垚棋
张继勇
张勇东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110302081.0A priority Critical patent/CN113130066A/zh
Publication of CN113130066A publication Critical patent/CN113130066A/zh
Pending legal-status Critical Current

Links

Images

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1032—Determining colour for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于人工智能的舌诊图像识别方法。通过图像处理方法从舌体图像中提取出舌体的颜色特征、几何特征(形态特征)和纹理特征(如点刺、瘀斑、齿痕与裂纹)等特征参数。接着根据这些特征参数以及流调数据参数来构建超图，最后使用超图卷积神经网络进行辅助中医舌象识别。本发明首次在舌诊图像识别领域使用超图模型，创新性地结合了舌诊图像以及流调数据两个模态的数据对舌诊图像进行识别，提高了舌诊图像识别的准确率及可信度。

Description

一种基于人工智能的舌诊图像识别方法
技术领域
本发明涉及图像处理领域，一种基于人工智能的舌诊图像识别方法。
背景技术
舌诊广泛应用于中医的临床分析和应用中已有数千年的历史，是中医望闻问切中的望诊的一部分。通过检查舌头的颜色、形状和质地来判断患者的健康状况，如瘀斑、点刺、齿痕、舌裂和舌苔厚度等不同的特征能够反映身体的内部状态和器官的健康状况。舌象是人体健康状态的外在表现,可以反映人体的气血、腑脏功能状态,是中医辩证诊断的主要依据之一。舌诊可以利用舌象识别体质类型，而体质类型与某些疾病密切相关，甚至决定着疾病的发展趋势。《中医体质分类及判定》标准中将体质分为九种：气虚，阴虚，阳虚，痰湿，湿热，气郁，血瘀，特禀质和平和质。然而中医舌诊具有基于视觉描述的特性，极易受到医生主观原因等因素的影响，过往使用的评估方法并不总是具有足够的客观性与可重复性(隐性知识或临床经验通常在评估中被优先考虑)。
人工智能辅助舌诊通过消除对基于主观和经验的舌诊评估的依赖，提供更准确、一致和客观的临床诊断，
发明内容
针对现有技术中存在的不足，本发明提供一种基于人工智能的舌诊图像识别方法。
通过图像处理方法从舌体图像中提取出舌体的颜色特征、几何特征(形态特征)和纹理特征(如点刺、瘀斑、齿痕与裂纹)等特征参数。接着根据这些特征参数以及流调数据参数来构建超图，最后使用超图卷积神经网络进行辅助中医舌象识别。
本发明的技术要点在于如何利用舌诊图像以及流调数据构建超图，训练超图神经网络，辅助中医舌象识别。
一种基于人工智能的舌诊图像识别方法，步骤如下：
步骤(1)、获取相同数量的九种体质病人的舌诊图像各X张，作为图像数据集；并获取相应的流调数据，作为流调参数数据集。利用边缘检测算法对舌诊图像进行处理，对舌诊图像进行分割，得到舌体部分。然后计算舌体部分的平均RGB值M1、舌体部分的平均HSV值N1、舌体部分的面积S1、舌体部分的宽度K1和长度L1：
所述的九种体质包括：气虚，阴虚，阳虚，痰湿，湿热，气郁，血瘀，特禀质和平和质。
步骤(2)、再对舌体部分使用区域分割算法，分割出舌苔部分，计算舌苔部分的平均RGB值M2、舌苔部分的平均HSV值N2、舌苔部分的面积S2、舌苔部分的宽度K2、舌苔部分的长度L2以及舌苔面积占舌体面积的比例P：
步骤(3)、对舌体部分先采用最大类间方差法粗提取舌体点刺部分，然后使用分水岭算法精细提取到舌体点刺部分，然后利用OpenCV计算出：
(1)点刺的数量，记为N1；
(2)点刺部分的面积，记为Sd；
(3)点刺的平均面积，记为
Figure BDA0002986714620000021
步骤(4)、利用深度学习方法以及迁移学习方法，提取舌体中齿痕部分，计算：
(1)齿痕的数量，记为N2；
(2)齿痕部分的面积，记为Sc；
(3)齿痕的平均面积，记为
Figure BDA0002986714620000022
步骤(5)、利用深度学习方法以及迁移学习方法，提取舌体中裂纹部分，计算：
(1)裂纹的数量，记为N3；
(2)裂纹部分的面积，记为Sl；
(3)裂纹的平均面积，记为
Figure BDA0002986714620000031
步骤(6)、获得5个流调数据参数，分别是：
(1)年龄：age；
(2)身高：height；
(3)体重：weight；
(4)BMI值：BMI；
(5)性别：sex；
本发明包括但不限于以上25个参数。
步骤(7)、通过得到的参数构建超图。
步骤(8)、训练超图神经网络，并使用训练好的超图神经网络对新病人进行舌象识别；
构建好超图之后，开始搭建超图神经网络，并用构建好的超图训练该超图神经网络。
在使用阶段，先获取新病人的流调数据参数以及舌诊图像，对舌诊图像进行特征提取，获取特征参数。然后随机选取步骤(7)中已构建好的一个超图，用新病人作为顶点取代该超图中的一个顶点，并重新构建新的超图。新的超图将作为训练好的超图神经模型的输入，根据模型的输出，能够得出该病人属于哪种体质。
步骤(1)、具体方法如下：
利用OpenCV计算舌体图像中的每个像素点的RGB值，最后求平均值，得到舌体部分的平均RGB值M1；
利用matlab，根据每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌体部分的平均HSV值N1；
利用OpenCV计算舌体部分的面积S1；
计算舌体部分的宽度K1；
计算舌体部分的长度L1；
步骤(2)具体方法如下：
利用OpenCV计算舌苔图像中的每个像素点的RGB值，最后求平均值，得到舌苔部分的平均RGB值M2；
利用matlab，根据舌苔图像中每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌苔部分的平均HSV值N2；
利用OpenCV计算舌苔部分的面积S2；
计算舌苔部分的宽度K2；
计算舌苔部分的长度L2；
计算舌苔面积占舌体面积的比例
Figure BDA0002986714620000041
步骤(7)具体方法如下：
超图包括两部分：顶点和超边。每个顶点表示一个对象，超边的构建是将具有同一个属性的样本归到同一条超边里。每次从九种体质病人中各随机选取x(x<X)例，则超图的顶点为9x个。接着利用步骤(1)至步骤(6)获得的参数来建立超边；不同的参数使用的方法也有所区别。对于二分类参数，对应地建立相应类别超边；对于数值参数，以每个顶点为中心，使用KNN算法，令K个与该中心顶点最近的顶点和中心顶点处于一条超边上。
重复上述操作，获取Z张超图，Z大于设定阈值。
本发明有益效果如下：
本发明首次在舌诊图像识别领域使用超图模型，创新性地结合了舌诊图像以及流调数据两个模态的数据对舌诊图像进行识别，提高了舌诊图像识别的准确率及可信度。
附图说明
图1为本发明方法流程图；
图2为本发明超图示例图。
具体实施步骤：
以下结合附图与实施例对本发明方法进行进一步描述。
如图1所示，为了达到本发明的目的，采用的技术方法步骤有：
S1：获取气虚，阴虚，阳虚，痰湿，湿热，气郁，血瘀，特禀质和平和质九种体质病人各1000张的舌诊图像，总计9000张，作为图像数据集；以及获取相应的流调数据，作为流调参数数据集。
S2：对图像数据集进行特征提取，获取20个特征参数，具体过程参考技术要点。
(1)利用OpenCV计算舌体图像中的每个像素点的RGB值，最后求平均值，得到舌体部分的平均RGB值，记为M1
(2)利用matlab，根据每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌体部分的平均HSV值，记为N1
(3)利用OpenCV计算舌体部分的面积，记为S1
(4)计算舌体部分的宽度，记为K1
(5)计算舌体部分的长度，记为L1
再对舌体部分使用区域分割算法，分割出舌苔部分，计算以下参数：
(6)利用OpenCV计算舌苔图像中的每个像素点的RGB值，最后求平均值，得到舌苔部分的平均RGB值，记为M2
(7)利用matlab，根据舌苔图像中每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌苔部分的平均HSV值，记为N2
(8)利用OpenCV计算舌苔部分的面积，记为S2
(9)计算舌苔部分的宽度，记为K2
(10)计算舌苔部分的长度，记为L2
(11)计算舌苔面积占舌体面积的比例，记为
Figure BDA0002986714620000061
对舌体部分先采用最大类间方差法粗提取舌体点刺部分，然后使用分水岭算法精细提取到舌体点刺部分，然后利用OpenCV计算出：
(12)点刺的数量，记为N1；
(13)点刺部分的面积，记为Sd；
(14)点刺的平均面积，记为
Figure BDA0002986714620000062
利用深度学习方法以及迁移学习方法，提取舌体中齿痕部分，计算：
(15)齿痕的数量，记为N2；
(16)齿痕部分的面积，记为Sc；
(17)齿痕的平均面积，记为
Figure BDA0002986714620000063
利用深度学习方法以及迁移学习方法，提取舌体中裂纹部分，计算：
(18)裂纹的数量，记为N3；
(19)裂纹部分的面积，记为Sl；
(20)裂纹的平均面积，记为
Figure BDA0002986714620000064
S3：根据S2中获得的20个特征参数以及对应的5个流调数据参数构建超图，具体如下：
S3-1：首先确定超图的顶点。每次从九种体质病人中各选取10例，作为超图的顶点，则超图的顶点为90个。
S3-2：对于分类参数，对应地建立相应类别超边；对于数值参数，以每个顶点为中心，使用KNN算法，令K个与该中心顶点最近的顶点和中心顶点处于一条超边上。
图2为本发明超图示例图，其中n1～n8为顶点，e1～e3为超边。
S4：训练超图神经网络，具体如下：
S4-1：选取HGNN作为超图神经网络。
S4-2：用S3中构建好的超图来训练该超图神经网络，选取令识别准确率最高的模型参数作为最终的模型参数。
S5：使用训练好的超图神经网络对新病人进行舌象识别，具体如下：
S5-1：获取新病人的5个流调以及舌诊图像，对舌诊图像进行特征提取，获取到20个特征参数。
S5-2：随机选取一个之前所构建好的超图，用新病人作为顶点取代该超图中的一个顶点，并重新构建新的超图。
S5-3：新的超图将作为训练好的超图神经模型的输入，根据模型的输出，能够识别出该病人属于哪种体质。

Claims (4)

1.一种基于人工智能的舌诊图像识别方法，其特征在于，步骤如下：
步骤(1)、获取相同数量的九种体质病人的舌诊图像各X张，作为图像数据集；并获取相应的流调数据，作为流调参数数据集；利用边缘检测算法对舌诊图像进行处理，对舌诊图像进行分割，得到舌体部分；然后计算舌体部分的平均RGB值M1、舌体部分的平均HSV值N1、舌体部分的面积S1、舌体部分的宽度K1和长度L1：
所述的九种体质包括：气虚，阴虚，阳虚，痰湿，湿热，气郁，血瘀，特禀质和平和质；
步骤(2)、再对舌体部分使用区域分割算法，分割出舌苔部分，计算舌苔部分的平均RGB值M2、舌苔部分的平均HSV值N2、舌苔部分的面积S2、舌苔部分的宽度K2、舌苔部分的长度L2以及舌苔面积占舌体面积的比例P：
步骤(3)、对舌体部分先采用最大类间方差法粗提取舌体点刺部分，然后使用分水岭算法精细提取到舌体点刺部分，然后利用OpenCV计算出：
(1)点刺的数量，记为N1；
(2)点刺部分的面积，记为Sd；
(3)点刺的平均面积，记为
Figure FDA0002986714610000011
步骤(4)、利用深度学习方法以及迁移学习方法，提取舌体中齿痕部分，计算：
(1)齿痕的数量，记为N2；
(2)齿痕部分的面积，记为Sc；
(3)齿痕的平均面积，记为
Figure FDA0002986714610000012
步骤(5)、利用深度学习方法以及迁移学习方法，提取舌体中裂纹部分，计算：
(1)裂纹的数量，记为N3；
(2)裂纹部分的面积，记为Sl；
(3)裂纹的平均面积，记为
Figure FDA0002986714610000021
步骤(6)、获得5个流调数据参数，分别是：
(1)年龄：age；
(2)身高：height；
(3)体重：weight；
(4)BMI值：BMI；
(5)性别：sex；
步骤(7)、通过得到的参数构建超图；
步骤(8)、训练超图神经网络，并使用训练好的超图神经网络对新病人进行舌象识别；
构建好超图之后，开始搭建超图神经网络，并用构建好的超图训练该超图神经网络；
在使用阶段，先获取新病人的流调数据参数以及舌诊图像，对舌诊图像进行特征提取，获取特征参数；然后随机选取步骤(7)中已构建好的一个超图，用新病人作为顶点取代该超图中的一个顶点，并重新构建新的超图；新的超图将作为训练好的超图神经模型的输入，根据模型的输出，能够得出该病人属于哪种体质。
2.根据权利要求1所述的一种基于人工智能的舌诊图像识别方法，其特征在于，步骤(1)、具体方法如下：
利用OpenCV计算舌体图像中的每个像素点的RGB值，最后求平均值，得到舌体部分的平均RGB值M1；
利用matlab，根据每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌体部分的平均HSV值N1；
利用OpenCV计算舌体部分的面积S1；
计算舌体部分的宽度K1；
计算舌体部分的长度L1。
3.根据权利要求1所述的一种基于人工智能的舌诊图像识别方法，其特征在于，步骤(2)具体方法如下：
利用OpenCV计算舌苔图像中的每个像素点的RGB值，最后求平均值，得到舌苔部分的平均RGB值M2；
利用matlab，根据舌苔图像中每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌苔部分的平均HSV值N2；
利用OpenCV计算舌苔部分的面积S2；
计算舌苔部分的宽度K2；
计算舌苔部分的长度L2；
计算舌苔面积占舌体面积的比例
Figure FDA0002986714610000031
4.根据权利要求1或2说3所述的一种基于人工智能的舌诊图像识别方法，其特征在于，步骤(7)具体方法如下：
超图包括两部分：顶点和超边；每个顶点表示一个对象，超边的构建是将具有同一个属性的样本归到同一条超边里；每次从九种体质病人中各随机选取x(x<X)例，则超图的顶点为9x个；接着利用步骤(1)至步骤(6)获得的参数来建立超边；不同的参数使用的方法也有所区别；对于二分类参数，对应地建立相应类别超边；对于数值参数，以每个顶点为中心，使用KNN算法，令K个与该中心顶点最近的顶点和中心顶点处于一条超边上；
重复上述操作，获取Z张超图，Z大于设定阈值。
CN202110302081.0A 2021-03-22 2021-03-22 一种基于人工智能的舌诊图像识别方法 Pending CN113130066A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110302081.0A CN113130066A (zh) 2021-03-22 2021-03-22 一种基于人工智能的舌诊图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110302081.0A CN113130066A (zh) 2021-03-22 2021-03-22 一种基于人工智能的舌诊图像识别方法

Publications (1)

Publication Number Publication Date
CN113130066A true CN113130066A (zh) 2021-07-16

Family

ID=76773703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110302081.0A Pending CN113130066A (zh) 2021-03-22 2021-03-22 一种基于人工智能的舌诊图像识别方法

Country Status (1)

Country Link
CN (1) CN113130066A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511567A (zh) * 2022-04-20 2022-05-17 天中依脉(天津)智能科技有限公司 舌体与舌苔图像识别分离方法
CN115147372A (zh) * 2022-07-04 2022-10-04 海南榕树家信息科技有限公司 一种基于医学图像分割的中医舌像智能辨治方法及系统
CN116777930A (zh) * 2023-05-24 2023-09-19 深圳汇医必达医疗科技有限公司 应用于舌象提取的图像分割方法、装置、设备及介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511567A (zh) * 2022-04-20 2022-05-17 天中依脉(天津)智能科技有限公司 舌体与舌苔图像识别分离方法
CN115147372A (zh) * 2022-07-04 2022-10-04 海南榕树家信息科技有限公司 一种基于医学图像分割的中医舌像智能辨治方法及系统
CN115147372B (zh) * 2022-07-04 2024-05-03 海南榕树家信息科技有限公司 一种基于医学图像分割的中医舌像智能辨治方法及系统
CN116777930A (zh) * 2023-05-24 2023-09-19 深圳汇医必达医疗科技有限公司 应用于舌象提取的图像分割方法、装置、设备及介质
CN116777930B (zh) * 2023-05-24 2024-01-09 深圳汇医必达医疗科技有限公司 应用于舌象提取的图像分割方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109859203B (zh) 基于深度学习的缺陷牙齿图像识别方法
CN113130066A (zh) 一种基于人工智能的舌诊图像识别方法
CN109670510A (zh) 一种基于深度学习的胃镜活检病理数据筛查系统和方法
CN109003299A (zh) 一种基于深度学习的计算脑出血量的方法
CN114331971A (zh) 一种基于半监督自训练的超声内镜目标检测方法
CN109637660B (zh) 一种基于深度卷积神经网络的舌诊分析方法及系统
CN111341437B (zh) 基于舌图像的消化道疾病判断辅助系统
CN110338759B (zh) 一种正面疼痛表情数据采集方法
Sivasankar et al. Retracted: FCM based iris image analysis for tissue imbalance stage identification
CN114627067A (zh) 一种基于图像处理的伤口面积测量及辅助诊疗方法
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
CN112263217A (zh) 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法
CN113139971A (zh) 一种基于人工智能的舌象识别方法及系统
CN105678758A (zh) 一种图像特征自动识别提取方法
Shao et al. Recognition of teeth-marked tongue based on gradient of concave region
CN103735247A (zh) 用于健康状态辨识的掌色分析方法
Zhang et al. Computer identification and quantification of fissured tongue diagnosis
CN109711306B (zh) 一种基于深度卷积神经网络获取面部特征的方法及设备
CN112863699A (zh) 一种基于移动端的esd术前讨论系统
CN111292285B (zh) 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法
Hameed et al. Hybrid technique for skin pimples image detection and classification
Li et al. Computer-aided disease diagnosis system in TCM based on facial image analysis
Liu et al. Hepatitis diagnosis using facial color image
CN115035086A (zh) 一种基于深度学习的结核皮试智能筛查分析方法和装置
CN114092449A (zh) 一种基于深度学习的人体脏器和经络的视觉定位方法

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