CN113409304A - 基于全息多维舌部图像分析方法、系统、设备和存储介质 - Google Patents

基于全息多维舌部图像分析方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN113409304A
CN113409304A CN202110798587.5A CN202110798587A CN113409304A CN 113409304 A CN113409304 A CN 113409304A CN 202110798587 A CN202110798587 A CN 202110798587A CN 113409304 A CN113409304 A CN 113409304A
Authority
CN
China
Prior art keywords
tongue
image
analyzed
acquiring
target user
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.)
Granted
Application number
CN202110798587.5A
Other languages
English (en)
Other versions
CN113409304B (zh
Inventor
叶展
任振芳
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.)
Shenzhen Yuandaomiao Medical Technology Co ltd
Original Assignee
Shenzhen Yuandaomiao Medical Technology Co ltd
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 Shenzhen Yuandaomiao Medical Technology Co ltd filed Critical Shenzhen Yuandaomiao Medical Technology Co ltd
Priority to CN202110798587.5A priority Critical patent/CN113409304B/zh
Publication of CN113409304A publication Critical patent/CN113409304A/zh
Application granted granted Critical
Publication of CN113409304B publication Critical patent/CN113409304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06T7/10—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Abstract

本发明公开了一种基于全息多维舌部图像分析方法，包括：获取目标用户的包括舌面图像和舌底图像中的至少一个的待分析舌部图像；根据待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；将待分析舌部区域图像输入预训练的舌部特征神经网络，获取待分析舌部区域图像的舌部特征向量；获取预设分析数据库中的已分析舌部区域图像，根据舌部特征向量计算待分析舌部区域图像与已分析舌部区域图像的欧氏距离，当欧氏距离小于预设距离阈值时，根据已分析舌部区域图像的已分析结果获取舌部特征；根据舌部特征获取目标用户的舌部分析结果。本发明还提供了基于全息多维舌部图像分析系统、设备和存储介质。本发明可以有效提升分析的准确性和可靠性。

Description

基于全息多维舌部图像分析方法、系统、设备和存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及基于全息多维舌部图像分析方法、系统、设备和存储介质。
背景技术
目前的所有舌诊技术，将传统舌诊智能化代替人工辩证，大部分局限在看“舌面”进行八纲辩证，确定阴阳表里寒热虚实等症状，不能直接筛查出具体疾病。
此外传统舌诊观察舌面的舌苔、舌质、舌态时，存在一些外来因素影响。如果吃了有色的食物和饮料，舌苔会染上颜色，对染色后的舌苔进行分析，存在影响分析结果的可能。如果舌头表面受伤，会被认为脏腑出现病症，存在影响分析结果的可能。每次伸出舌面拍照，舌头会存在不同形态结果；比如伸歪了，会将不是中风症状会误诊为中风；同一个舌头伸出力量和角度不同，会出现胖大舌、长厚舌或卷舌等多个形态，存在影响分析结果的可能。
发明内容
基于此，有必要针对上述问题，提出了基于全息多维舌部图像分析方法、系统、设备和存储介质。
一种基于全息多维舌部图像分析方法，包括：获取目标用户的待分析舌部图像，所述待分析舌部图像包括舌面图像和舌底图像中的至少一个；根据所述待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；将所述待分析舌部区域图像输入预训练的舌部特征神经网络，获取所述待分析舌部区域图像的舌部特征向量；获取预设分析数据库中的已分析舌部区域图像，根据所述舌部特征向量计算所述待分析舌部区域图像与所述已分析舌部区域图像的欧氏距离，当所述欧氏距离小于预设距离阈值时，根据所述已分析舌部区域图像的已分析结果获取舌部特征；根据所述舌部特征获取目标用户的舌部分析结果。
其中，所述待分析舌部图像还包括舌两侧图像、上颚图像、下颚图像、牙龈图像、牙齿图像中的至少一种。
其中，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤之前，还包括：向目标用户发出照片补充提示，以使得目标用户根据所述照片补充提示补充其他待分析舌部图像。
其中，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤，包括：获取目标用户的自述信息，结合所述自述信息获取所述舌部分析结果。
其中，所述根据所述待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像的步骤，包括：根据舌部各个区域与脏腑器官之间的对应反射关系对所述待分析舌部图像进行图像分割获取所述至少一个待分析舌部区域图像。
其中，所述待分析舌部图像包括舌面图像时，所述舌部特征包括：异形纹理、舌质表面变化、舌质斑点、变形；所述待分析舌部图像包括舌底图像时，所述舌部特征包括：舌底静脉脉络特征、舌底颜色、舌底形态、凹凸、肿块、息肉。
其中，所述将所述待分析舌部区域图像输入预训练的舌部特征神经网络的步骤之前，包括：构建舌部特征神经网络，所述舌部特征神经网络为深度卷积神经网络，包括全局池化层、丢弃层、展开层、平滑层、Dense层和Softmax层；定义舌部特征损失函数，以缩小同类图像之间的欧氏距离并增大非同类图像之间的欧氏距离；将舌部特征训练样本图像输入所述舌部特征神经网络进行训练，获取所述预训练舌部特征神经网络。
其中，所述根据所述待分析舌部图像进行获取目标用户舌部的至少一个待分析舌部区域图像的步骤，包括：将所述待分析舌部图像输入预训练舌部分割神经网络，获取所述至少一个待分析舌部图像。
其中，所述将所述待分析舌部图像输入预训练舌部分割神经网络的步骤之前，包括：准备舌部分割训练图像，对所述舌部分割训练图像按照预设标准进行分割标注，所述预设标准包括舌部区域对应的脏腑器官；根据标注后的所述舌部分割训练图像生成单通道区域灰度图像，根据所述单通道区域灰度图像获取舌部分割结果图像；根据每个舌部分割训练图像及其对应的所述舌部分割结果图像获取舌部分割训练数据，将所述舌部分割训练数据输入舌部分割神经网络，获取所述预训练舌部分割神经网络。
其中，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤，包括：获取所述舌部区域图像的舌部区域对应的脏腑器官，根据所述舌部特征获取所述脏腑器官的情况，根据所述脏腑器官的情况获取所述舌部分析结果。
其中，所述根据所述舌部特征向量计算所述待分析舌部区域图像与所述已分析舌部区域图像的欧氏距离的步骤，包括：计算所述待分析舌部区域图像的预设数量维所述舌部特征向量和所述已分析图像的预设数量维已分析向量的欧氏距离。
其中，所述计算所述待分析舌部区域图像的预设数量维所述舌部特征向量和所述已分析图像的预设数量维已分析向量的欧氏距离的步骤，包括：根据以下公式计算所述欧氏距离：
Figure BDA0003163740730000031
其中，xi为第i维舌部特征向量，yi为第i维已分析向量。
其中，所述获取目标用户的待分析舌部图像的步骤，包括：获取目标用户提供的自拍舌部图像，将所述自拍舌部图像输入预训练的舌部提取神经网络获取所述待分析舌部图像。
其中，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤，包括：根据目标舌部特征获取初步分析结果，根据辅助舌部特征获取辅助分析结果，综合所述初步分析结果和所述辅助分析结果获取所述舌部分析结果。
其中，所述预设距离阈值为0.5。
一种基于全息多维舌部图像分析系统，包括：获取模块，用于获取目标用户的待分析舌部图像，所述待分析舌部图像包括舌面图像和舌底图像中的至少一个；图像模块，用于根据所述待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；网络模块，用于将所述待分析舌部区域图像输入预训练的舌部特征神经网络，获取所述待分析舌部区域图像的舌部特征向量；特征模块，用于获取预设分析数据库中的已分析舌部区域图像，根据所述舌部特征向量计算所述待分析舌部区域图像与所述已分析舌部区域图像的欧氏距离，当所述欧氏距离小于预设距离阈值时，根据所述已分析舌部区域图像的已分析结果获取舌部特征；结果模块，用于根据所述舌部特征获取目标用户的舌部分析结果。
一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述方法的步骤。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述方法的步骤。
采用本发明实施例，具有如下有益效果：
获取包括舌面图像和舌底图像中的至少一个的待分析舌部图像，根据待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；对每个待分析舌部区域图像进行图像分析，获取每个待分析舌部区域图像对应的舌部特征；根据舌部特征获取目标用户的舌部分析结果，采用舌底图像可以有效避免仅仅根据舌面图像进行分析时容易受外部不良影响的问题，目标用户仅需要提供包括舌部的图像就可以实现对目标用户的舌部分析，方法简便可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。
其中：
图1是本发明提供的基于全息多维舌部图像分析方法的第一实施例的流程示意图；
图2是本发明提供的标注后的舌部提取训练图像的示意图；
图3是本发明提供的单通道舌部灰度图像的示意图；
图4是本发明提供的待分析舌部图像的第一实施例的示意图；
图5是本发明提供的舌面和舌底与脏腑器官的对应关系示意图；
图6是本发明提供的舌头左右两侧与三焦的对应关系示意图；
图7是本发明提供的上下颚与脏腑器官的对应关系示意图；
图8是本发明提供的牙齿与脏腑器官的对应关系图；
图9是本发明提供的标注后的舌部分割训练图像；
图10是本发明提供的单通道区域灰度图像的示意图；
图11是本发明提供的自拍舌部图像第一实施例的示意图；
图12是本发明提供的自拍舌部图像第二实施例的示意图；
图13是本发明提供的自拍舌部图像第三实施例的示意图；
图14是本发明提供的自拍舌部图像第四实施例的示意图；
图15是本发明提供的自拍舌部图像第五实施例的示意图；
图16是本发明提供的自拍舌部图像第六实施例的示意图；
图17是本发明提供的自拍舌部图像第七实施例的示意图；
图18是本发明提供的自拍舌部图像第八实施例的示意图；
图19是本发明提供的自拍舌部图像第七实施例的示意图；
图20是本发明提供的自拍舌部图像第八实施例的示意图；
图21是本发明提供的神经网络部分结构的一实施例的示意图；
图22是本发明提供的舌部特征神经网络的一实施例的结构示意图；
图23是本发明提供的自拍舌部图像第九实施例的示意图；
图24是本发明提供的待分析舌部图像的第二实施例的示意图；
图25是本发明提供的待分析舌部区域图像的实施例的示意图；
图26是本发明提供的计算欧氏距离的实施例的示意图；
图27是本发明提供的基于全息多维舌部图像分析系统的一实施例的结构示意图；
图28是本发明提供的计算机设备的实施例的结构示意图；
图29是本申请提供的存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请结合参阅图1，图1是本发明提供的基于全息多维舌部图像分析方法的第一实施例的流程示意图。本发明提供的基于全息多维舌部图像分析方法包括如下步骤：
S101：获取目标用户的待分析舌部图像，待分析舌部图像包括舌面图像和舌底图像中的至少一个。
在一个具体的实施场景中，目标用户可以使用手机、平板电脑等带有摄像头的智能设备或者照相机、摄像机自行拍摄，或者是其他人使用上述设备帮助目标用户拍摄，获取自拍舌部图像。将自拍舌部图像上传至分析系统以进行分析。对自拍舌部图像进行图像提取获取自拍舌部图像的待分析舌部图像。例如自拍舌部图像可能包括了目标用户的部分面部、拍摄时的背景等与分析关系不大的元素，将这些元素删除，保留与分析相关的目标用户舌部的待分析舌部图像，可以有效降低后续进行分析时所需要分析处理的数据量，有效提升处理速度和效率。
在本实施场景中，可以是对自拍舌部图像进行图像识别和图像分割，从而获取待分析舌部图像，还可以是将自拍舌部图像输入预训练的舌部提取神经网络获取待分析舌部图像，还可以是由用户或者分析者对自拍舌部图像进行截取，获取待分析舌部图像。
在使用预训练的舌部提取神经网络之前，需要对其进行训练。可以预先获取大量的舌部提取训练图像，采用诸如Labelme之类图像标注工具对舌部提取训练图像进行图像标注，将每隔舌部提取训练图像中的舌部区域标注出来。请结合参阅图2，图2是本发明提供的标注后的舌部提取训练图像的示意图。针对每个标注后的舌部提取训练图像，将标注的舌部区域的像素设置为1，其余区域的像素设置为0，生成其对应的单通道舌部灰度图像。请参阅图3，图3是本发明提供的单通道舌部灰度图像的示意图。根据单通道舌部灰度图像获取舌部提取结果图像，将每个舌部提取训练图像及其舌部提取结果图像作为一组舌部提取训练数据，将大量的舌部提取训练数据输入舌部提取神经网络，获取具有舌部提取功能的预训练的舌部提取神经网络。将自拍舌部图像输入预训练的舌部提取神经网络获取待分析舌部图像。请结合参阅图4，图4是本发明提供的待分析舌部图像的示意图。在本实施场景中，舌部提取神经网络为deepLabV3+神经网络模型。
在本实施场景中，待分析舌部图像包括舌面图像和舌底图像中的至少一个，因为舌面的舌苔在被食物染色、受伤等情况下进行分析时很容易发生误诊的情况，影响分析的可靠性和准确性。舌底没有舌苔不会因为食物污染，所以不会因为舌苔变色而影响分析结果，舌底基本不会受伤，所以不会因为舌质的损伤而影响分析结果，舌底就是一种舌态，往上翘，所以不会因为舌态变化而影响分析结果。
在其他实施场景中，待分析舌部图像还包括舌两侧图像、上颚图像、下颚图像、牙龈图像、牙齿图像中的至少一种。上下颚及牙龈牙齿不会被食物染色，有肌肉保护基本不会受伤，没有舌态，因此分析的可靠性和准确性较高。
S102：根据待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像。
在一个具体的实施场景中，根据待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像。待分析舌部区域图像可以是如图4所示的整个待分析舌部图像，或者可以是对待分析舌部图像进行分割，获取舌部各个分区的待分析舌部区域图像，例如待分析舌尖图像、待分析舌根图像等等。具体的可以根据分析的需求进行设置，若仅仅根据舌尖、舌根等舌部部分区域的图像就可以分析出结果，则可以进行图像分割获取对应这些部分区域的待分析舌部区域图像，若分析结果需要整个舌部区域的图像，则将待分析舌部图像作为待分析舌部区域图像。
在其他实施场景中，可以根据舌部各个区域与脏腑器官之间的对应反射关系来进行图像分割。请结合参阅图5-图8，图5是本发明提供的舌面和舌底与脏腑器官的对应关系示意图。图6是本发明提供的舌头左右两侧与三焦的对应关系示意图。图7是本发明提供的上下颚与脏腑器官的对应关系示意图。图8是本发明提供的牙齿与脏腑器官的对应关系图。
若需要对待分析舌部图像进行分割，可以是将待分析舌部图像输入预训练舌部分割神经网络，获取至少一个待分析舌部图像。或者是按照预设的分割位置(例如，在垂直方向等距离分成三份，或者在水平方向按照1:2:1的比例分为三份)，将待分析舌部图像划分为至少一个待分析舌部图像。还可以是由用户或者分析者对待分析舌部图像进行分割，获取至少一个待分析舌部图像。
在使用预训练舌部分割神经网络需要对舌部分割神经网络进行训练。具体的，可以预先准备大量的舌部分割训练图像。对舌部分割训练图像按照预设标准(例如根据与不同的脏腑器官的对应区域)进行分割标注。请参阅图9，图9是本发明提供的标注后的舌部分割训练图像。根据标注后的舌部分割训练图像生成单通道区域灰度图像。请参阅图10，图10是本发明提供的单通道区域灰度图像的示意图。根据单通道区域灰度图像获取舌部分割结果图像，根据每个舌部分割训练图像及其对应的舌部分割结果图像获取舌部分割训练数据，将大量的舌部分割训练数据输入舌部分割神经网络，获取具有舌部提取功能的预训练的舌部分割神经网络。将待分析舌部图像输入预训练的舌部分割神经网络获取待分析舌部区域图像。在本实施场景中，舌部分割神经网络为deepLabV3+神经网络模型。
S103：将待分析舌部区域图像输入预训练的舌部特征神经网络，获取待分析舌部区域图像的舌部特征向量。
在一个具体的实施场景中，将待分析舌部区域图像输入预训练的舌部特征神经网络，获取待分析舌部区域图像的舌部特征向量。舌部特征向量用于分析待分析舌部区域图像对应的情况。
在本实施场景中，需要对舌部特征神经网络进行训练，以获取预训练的舌部特征神经网络。具体地说，构建舌部特征神经网络，舌部特征神经网络以InceptionResNetV2为骨干网络，去掉InceptionResNetV2网络最后的Dense层，以图20所示的神经网络结构代替。请结合参阅图21和图22，图21是本发明提供的神经网络部分结构的一实施例的示意图。图22是本发明提供的舌部特征神经网络的一实施例的结构示意图。在图22所示的实施场景中，在训练舌部特征神经网络时，将锚样本(a)、正样本(p)和负样本(n)输入到CNN(Convolutional Neural Networks，卷积神经网络)网络(例如，InceptionResNetV2网络)中，经过L2正则化、Embedding层(将离散变量转变为连续向量)，和损失函数Triplet loss后获取到三个对应的128维向量。
在图21所示的结构中，GlobalAveragePooling2D为全局池化层，用于降低特征维度，并且减少网络参数。Dropout为丢弃层，用于适当丢弃一些神经元，以避免训练网络时出现过拟合状态。Dense为展开层，用于将舌部区域图像展开到预设数量的维度，例如128维。Lambda为平滑层，用于执行L2标准化操作，即向量各元素平方和再开方，可以平滑特征，使得不同类型的特征向量可以属于同一数量级。Dense层以及后面的Softmax层为分类器：用于辅助损失函数实现收敛。因为仅仅使用损失函数Triplet loss，会使得整个网络难以收敛结合了Cross-Entropy Loss和Triplet Loss两种损失函数作为总体损失，所以构建了一个分类器，辅助损失函数Triplet loss的收敛。
在本实施场景中，定义损失函数Triplet loss为：
L＝max(d(a，p)-d(a，n)+margin，0)
其中，d(a，p)表示锚样本与正样本的距离，d(a，n)表示锚样本与负样本的距离。在本实施场景中，输入是一个三元组，包括锚样本、正样本、负样本，通过优化锚样本与正样本的距离小于锚样本与负样本的距离，实现样本之间的相似性计算。margin取常量1，这样可以迫使神经网络努力学习，使得正样本与负样本的欧氏距离值更大。
定义Triplet Loss损失函数可以让正常的舌部区域图像与非正常的舌部区域图像，经过特征提取后的向量间欧氏距离更大，从而提升对待分析舌部区域图像与已分析舌部区域图像是否对应相同症状的判结果的准确性和可靠性。
S104：获取预设分析数据库中的已分析舌部区域图像，根据舌部特征向量计算待分析舌部区域图像与已分析舌部区域图像的欧氏距离，当欧氏距离小于预设距离阈值时，根据已分析舌部区域图像的已分析结果获取舌部特征。
在一个具体的实施场景中，将待分析舌部区域图像输入预训练的舌部特征神经网络，获取128维舌部特征向量后，获取数据库中与待分析舌部区域图像对应相同区域的已分析舌部区域图像，将待分析舌部区域图像的128维舌部特征向量与已分析舌部区域图像的的128维已分析特征向量进行计算，获取欧氏距离。数据库中包括多个经过人工或者神经网络分析之后，已经获取其对应舌部区域和对应的分析情况的已分析舌部区域图像。将已分析舌部图像输入图20或者图21所示的神经网络模型中，获取其128的已分析特征向量。
根据以下公式计算待分析舌部区域图像与已分析舌部区域图像的欧氏距离：
Figure BDA0003163740730000101
其中，xi为第i维舌部特征向量，yi为第i维已分析向量。
若数据库中存在与待分析舌部区域图像的欧氏距离小于预设距离阈值(例如，0.1、0.3、0.5)的已分析舌部区域图像，则获取已分析舌部区域图像的已分析结果，根据已分析舌部区域图像的已分析特征获取舌部特征，例如，将已分析结果作为待分析舌部区域图像的舌部特征。
在其他实施场景中，可以根据判断的需求，从多个舌部区域对应的待分析舌部区域图像中选择一个作为目标舌部区域图像，根据上述步骤获取目标舌部区域图像的目标舌部特征，根据目标舌部特征获取初步分析结果，为了进一步增强分析的准确性和可靠性，从待分析舌部区域图像中选择至少一个作为辅助舌部区域图像，获取辅助舌部区域图像的辅助舌部特征，综合初步分析结果和辅助分析结果获取舌部分析结果。
在一个实施例中，请结合参阅图23-图26，图23是本发明提供的自拍舌部图像第九实施例的示意图。图24是本发明提供的待分析舌部图像的第二实施例的示意图。图25是本发明提供的待分析舌部区域图像的实施例的示意图。图26是本发明提供的计算欧氏距离的实施例的示意图。
目标用户提供了图21所示的自拍舌部图像，对舌部自拍图像依据上文中的方法进行图像提取，获取图22所示的待分析舌部图像，对待分析舌部图像依据上文中的方法进行图像分割获取图23所示的多个待分析舌部图区图像。提取舌尖区域的待分析舌部区域图像，获取其舌部特征向量。计算该舌部特征向量与数据中的对应舌尖区域的已分析舌部区域图像的舌部特征向量的欧氏距离。如如图24所示的，欧氏距离为0.156，小于预设阈值0.5。则判定目标用户的舌尖符合已分析舌部区域图像的分析结果(例如，抑郁症)。
进一步地，为了确保分析结果的可靠性，提取舌边(对应肝胆区域)区域的待分析舌部区域图像，计算其与数据库中的对应舌边区域的已分析舌部区域图像的欧氏距离，根据欧氏距离判断是否符合肝气郁结的特征。还可以提取舌根(对应肾脏)区域的待分析舌部区域图像，计算其与数据库中的对应舌根区域的已分析舌部区域图像的欧氏距离，根据欧氏距离判断是否符合失眠多梦的特征。若既符合肝气郁结的特征又符合失眠多梦的特征，则能更准确的判定目标用户患有抑郁症。
根据目标舌部特征获取初步分析结果，根据辅助舌部特征获取辅助分析结果，综合初步分析结果和辅助分析结果获取舌部分析结果，能够更进一步的提升舌部分析结果的准确性和可靠性。
在一个具体的实施场景中，对待分析舌部图像进行图像分析，获取每个待分析舌部区域图像对应的舌部特征还可以通过图像识别等技术实现。
在本实施场景中，针对不同的舌部区域对应的舌部区域图像，检测的角度不同，获取的舌部特征不同。例如，针对舌面的待分析舌部区域图像，可以检测是否存在裂沟、横纹、纵纹、线条等异形纹理，还可以检测舌质表面变化，例如，是否存在高凸、凹陷、肿块、增生、溃烂、脱皮等。还可以检测是否存在舌质斑点，例如，红点、黑点、青紫色和肉瘤异常等。针对舌根部位的舌部区域图像，检测是否存在高凸、凹陷、纹理等等的变化和两侧的变形。针对舌两侧图像的舌部区域图像，检测是否存在瘀点、脉络、肿块等等状况。针对舌底图像的舌部区域图像，检测舌底的静脉脉络的走向、形状、粗细、长短、结节等，还可以检测出舌底的形态、凹凸、肿块、息肉等等，还可以检测舌底颜色，例如红、黑、青、紫、白、黄等等。针对上颚图像和下颚图像的待分析舌部区域图像检测形态、颜色、色质等方面。针对牙龈图像的牙齿图像的待分析舌部区域图像检测其形态变化。
S105：根据舌部特征获取目标用户的舌部分析结果。
在一个具体的实施场景中，根据舌部区域图像的舌部特征获取舌部区域图像的舌部区域对应的脏腑器官的情况，根据脏腑器官的情况获取目标用户的舌部分析结果。例如，可以通过图5-图8查询舌部特征所在的舌部区域对应的脏腑器官，根据舌部特征获取该脏腑器官的情况。综合各个脏腑器官的情况获取目标用户的舌部分析结果。
在其他实施场景中，可能仅仅根据目标用户提供的待分析舌部图像进行分析，所得到的分析结果可靠性和准确性不高，可以向目标用户发出照片补充提示，以使得目标用户根据照片补充提示补充其他待分析舌部图像，例如用户提供的舌面图像，由于舌苔有染色的可能，因此可以提示用户补充舌底图像、舌两侧图像，综合多个待分析舌部图像获取的分析结果更加可靠。
在其他实施场景中，在获取舌部分析结果时，获取目标用户的自述信息，结合自述信息获取舌部分析结果。结合自述信息可以对舌部特征对应的多种情况进行删减或者挑选，将不符合自述信息或者与自述信息不相关的部分剔除，进一步提升分析结果的准确性和可靠性。
请结合参阅图11和图12，图11是本发明提供的自拍舌部图像第一实施例的示意图，图12是本发明提供的自拍舌部图像第二实施例的示意图。在一个实施场景中，目标用户上传了图11和图12所示的自拍舌部图像，对图11和图12进行分析可知：
舌尖(心肺区)：舌形高凸：心肺虚，心阳不足，易胸闷、气短。舌色红、有红点、腻苔：头痛头晕、心烦失眠、双目干涩红赤。舌尖收窄：颈肩不适
舌中(肝胆脾胃区)：舌两边隆起：肝气郁结，精神萎靡不振、全身乏力疼痛不适。舌边红点、瘀点：肝胆火旺，烦躁易怒、女性乳胀、月经不调。舌中凹凸：胃饱胀、食欲不振。
舌根(肾区)：舌根凹陷：肾虚，易腰膝酸软、功能差。
根据上述分析可知，目标用户易头痛头晕、双目干涩红赤，心闷气短、烦躁易怒、失眠惊悸、食欲不振、胃胀、颈肩不适、腰膝酸软、腰疼。女性乳胀、月经不调。对上述症状分析可知，目标用户可能患有抑郁症。
请结合参阅图13和图14，图13是本发明提供的自拍舌部图像第三实施例的示意图，图14是本发明提供的自拍舌部图像第四实施例的示意图。在一个实施场景中，目标用户上传了图13和图14所示的自拍舌部图像，对图13和图14进行分析可知：
舌面分析(心肺区)：舌尖塌陷：心阳不足、胸闷气短；舌前形状：心烦、失眠、颈椎不适。
舌根(肾区)：痰浊苔腻：肾虚、高血压、肿瘤特征。
舌底：瘀点及红点：高血压、气血瘀结。
舌底(心脑区)：纹理及脉络：已经出现脑中风或脑中风先兆。
根据上述分析可知，目标用户有脑中风或先兆、高血压、胸闷气短、心烦、失眠、颈椎不适。对上述症状分析可知，目标用户可能有脑中风或先兆。
请结合参阅图15和图16，图15是本发明提供的自拍舌部图像第五实施例的示意图，图16是本发明提供的自拍舌部图像第六实施例的示意图。在一个实施场景中，目标用户上传了图15和图16所示的自拍舌部图像，对图15和图16进行分析可知：
舌尖(心肺区)：头脑晕沉、健忘、反应迟钝、肩膀不适。
舌尖(乳腺区)：高凸：乳腺肿块、腋下淋巴结胀痛、胸闷气短。
舌两边(肝胆区)：有肿、缺陷：有肝胆疾病。
舌根(肾区)：高凸凹陷：肾虚、肿瘤特征。
舌底面：瘀点：气血瘀结。
根据上述分析可知，目标用户可能患有乳腺疾病(肿块或早期肿瘤)、头脑晕沉、健忘抑郁、反应迟钝、肩膀不适、乳腺肿块、胀痛、胸闷气短、有肝胆疾病。对上述症状分析可知，目标用户可能有乳腺疾病(肿块或早期肿瘤)。
请结合参阅图17和图18，图17是本发明提供的自拍舌部图像第七实施例的示意图，图18是本发明提供的自拍舌部图像第八实施例的示意图。在一个实施场景中，目标用户上传了图17和图18所示的自拍舌部图像，对图17和图18进行分析可知：
牙龈牙齿：有痔疮、弓形虫。
舌面及舌底：有痔疮
根据上述分析可知，目标用户可能患有有痔疮、弓形虫。
请结合参阅图19和图20，图19是本发明提供的自拍舌部图像第七实施例的示意图，图20是本发明提供的自拍舌部图像第八实施例的示意图。在一个实施场景中，目标用户上传了图19和图20所示的自拍舌部图像，对图19和图20进行分析可知：
上颚、舌底含下颚：中柱弯曲：颈椎侧弯、胸椎侧弯、腰椎痛。
根据上述分析可知，目标用户可能有颈椎侧弯、胸椎侧弯、腰椎痛。
通过上述描述可知，在本实施例中获取包括舌面图像和舌底图像中的至少一个的待分析舌部图像，根据待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；对每个待分析舌部区域图像进行图像分析，获取每个待分析舌部区域图像对应的舌部特征；根据舌部特征获取目标用户的舌部分析结果，采用舌底图像可以有效避免仅仅根据舌面图像进行分析时容易受外部不良影响的问题，目标用户仅需要提供包括舌部的图像就可以实现对目标用户的舌部分析，方法简便可靠。
请参阅图27，图27是本发明提供的基于全息多维舌部图像分析系统的一实施例的结构示意图。基于全息多维舌部图像分析系统10包括：获取模块11、图像模块12、网络模块13、特征模块14和结果模块15。
获取模块11用于获取目标用户的待分析舌部图像，待分析舌部图像包括舌面图像和舌底图像中的至少一个。图像模块12用于根据待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像。网络模块13用于将待分析舌部区域图像输入预训练的舌部特征神经网络，获取待分析舌部区域图像的舌部特征向量。特征模块14用于获取预设分析数据库中的已分析舌部区域图像，根据舌部特征向量计算待分析舌部区域图像与已分析舌部区域图像的欧氏距离，当欧氏距离小于预设距离阈值时，根据已分析舌部区域图像的已分析结果获取舌部特征。结果模块15用于根据舌部特征获取目标用户的舌部分析结果。
其中，待分析舌部图像还包括舌两侧图像、上颚图像、下颚图像、牙龈图像、牙齿图像中的至少一种。
获取模块11还用于向目标用户发出照片补充提示，以使得目标用户根据照片补充提示补充其他待分析舌部图像。
结果模块15还用于获取目标用户的自述信息，结合自述信息获取舌部分析结果。
图像模块12还用于根据舌部各个区域与脏腑器官之间的对应反射关系对待分析舌部图像进行图像分割获取至少一个待分析舌部区域图像。
其中，待分析舌部图像包括舌面图像时，舌部特征包括：异形纹理、舌质表面变化、舌质斑点、变形；待分析舌部图像包括舌底图像时，舌部特征包括：舌底静脉脉络特征、舌底颜色、舌底形态、凹凸、肿块、息肉。
舌部分析系统10还包括训练模块15，训练模块15用于构建舌部特征神经网络，舌部特征神经网络为深度卷积神经网络，包括全局池化层、丢弃层、展开层、平滑层、Dense层和Softmax层；定义舌部特征损失函数，以缩小同类图像之间的欧氏距离并增大非同类图像之间的欧氏距离；将舌部特征训练样本图像输入舌部特征神经网络进行训练，获取预训练舌部特征神经网络。
图像模块12还用于将待分析舌部图像输入预训练舌部分割神经网络，获取至少一个待分析舌部图像。
图像模块12还用于准备舌部分割训练图像，对舌部分割训练图像按照预设标准进行分割标注，预设标准包括舌部区域对应的脏腑器官；根据标注后的舌部分割训练图像生成单通道区域灰度图像，根据单通道区域灰度图像获取舌部分割结果图像；根据每个舌部分割训练图像及其对应的舌部分割结果图像获取舌部分割训练数据，将舌部分割训练数据输入舌部分割神经网络，获取预训练舌部分割神经网络。
结果模块15还用于获取舌部区域图像的舌部区域对应的脏腑器官，根据舌部特征获取脏腑器官的情况，根据脏腑器官的情况获取舌部分析结果。
特征模块14还用于计算待分析舌部区域图像的预设数量维舌部特征向量和已分析图像的预设数量维已分析向量的欧氏距离。
特征模块14还用于根据以下公式计算欧氏距离：
Figure BDA0003163740730000161
其中，xi为第i维舌部特征向量，yi为第i维已分析向量。
获取模块11还用于获取目标用户提供的自拍舌部图像，将自拍舌部图像输入预训练的舌部提取神经网络获取待分析舌部图像。
结果模块15还用于根据目标舌部特征获取初步分析结果，根据辅助舌部特征获取辅助分析结果，综合初步分析结果和辅助分析结果获取舌部分析结果。
其中，预设距离阈值为0.5。
通过上述描述可知，在本实施例中基于全息多维舌部图像分析系统获取包括舌面图像和舌底图像中的至少一个的待分析舌部图像，根据待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；对每个待分析舌部区域图像进行图像分析，获取每个待分析舌部区域图像对应的舌部特征；根据舌部特征获取目标用户的舌部分析结果，采用舌底图像可以有效避免仅仅根据舌面图像进行分析时容易受外部不良影响的问题，目标用户仅需要提供包括舌部的图像就可以实现对目标用户的舌部分析，方法简便可靠。
请参阅图28，图28是本发明提供的计算机设备的实施例的结构示意图。内容检测设备20包括处理器21、存储器22。处理器21耦接存储器22。存储器22中存储有计算机程序，处理器21在工作时执行该计算机程序以实现如图1和图21所示的方法。详细的方法可参见上述，在此不再赘述。
请参阅图29，图29是本申请提供的存储介质的一实施例的结构示意图。存储介质30中存储有至少一个计算机程序31，计算机程序31用于被处理器执行以实现如图1、图21所示的方法，详细的方法可参见上述，在此不再赘述。在一个实施例中，计算机可读存储介质30可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具，还可以是服务器等等。
区别于现有技术，本发明采用舌底图像可以有效避免仅仅根据舌面图像进行分析时容易受外部不良影响的问题，目标用户仅需要提供包括舌部的图像就可以实现对目标用户的舌部分析，方法简便可靠。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。

Claims (18)

1.一种基于全息多维舌部图像分析方法，其特征在于，包括：
获取目标用户的待分析舌部图像，所述待分析舌部图像包括舌面图像和舌底图像中的至少一个；
根据所述待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；
将所述待分析舌部区域图像输入预训练的舌部特征神经网络，获取所述待分析舌部区域图像的舌部特征向量；
获取预设分析数据库中的已分析舌部区域图像，根据所述舌部特征向量计算所述待分析舌部区域图像与所述已分析舌部区域图像的欧氏距离，当所述欧氏距离小于预设距离阈值时，根据所述已分析舌部区域图像的已分析结果获取舌部特征；
根据所述舌部特征获取目标用户的舌部分析结果。
2.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述待分析舌部图像还包括舌两侧图像、上颚图像、下颚图像、牙龈图像、牙齿图像中的至少一种。
3.根据权利要求2所述的基于全息多维舌部图像分析方法，其特征在于，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤之前，还包括：
向目标用户发出照片补充提示，以使得目标用户根据所述照片补充提示补充其他待分析舌部图像。
4.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤，包括：
获取目标用户的自述信息，结合所述自述信息获取所述舌部分析结果。
5.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述根据所述待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像的步骤，包括：
根据舌部各个区域与脏腑器官之间的对应反射关系对所述待分析舌部图像进行图像分割获取所述至少一个待分析舌部区域图像。
6.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，
所述待分析舌部图像包括舌面图像时，所述舌部特征包括：异形纹理、舌质表面变化、舌质斑点、变形；
所述待分析舌部图像包括舌底图像时，所述舌部特征包括：舌底静脉脉络特征、舌底颜色、舌底形态、凹凸、肿块、息肉。
7.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述将所述待分析舌部区域图像输入预训练的舌部特征神经网络的步骤之前，包括：
构建舌部特征神经网络，所述舌部特征神经网络为深度卷积神经网络，包括全局池化层、丢弃层、展开层、平滑层、Dense层和Softmax层；
定义舌部特征损失函数，以缩小同类图像之间的欧氏距离并增大非同类图像之间的欧氏距离；
将舌部特征训练样本图像输入所述舌部特征神经网络进行训练，获取所述预训练舌部特征神经网络。
8.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述根据所述待分析舌部图像进行获取目标用户舌部的至少一个待分析舌部区域图像的步骤，包括：
将所述待分析舌部图像输入预训练舌部分割神经网络，获取所述至少一个待分析舌部图像。
9.根据权利要求8所述的基于全息多维舌部图像分析方法，其特征在于，所述将所述待分析舌部图像输入预训练舌部分割神经网络的步骤之前，包括：
准备舌部分割训练图像，对所述舌部分割训练图像按照预设标准进行分割标注，所述预设标准包括舌部区域对应的脏腑器官；
根据标注后的所述舌部分割训练图像生成单通道区域灰度图像，根据所述单通道区域灰度图像获取舌部分割结果图像；
根据每个舌部分割训练图像及其对应的所述舌部分割结果图像获取舌部分割训练数据，将所述舌部分割训练数据输入舌部分割神经网络，获取所述预训练舌部分割神经网络。
10.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤，包括：获取所述舌部区域图像的舌部区域对应的脏腑器官，根据所述舌部特征获取所述脏腑器官的情况，根据所述脏腑器官的情况获取所述舌部分析结果。
11.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述根据所述舌部特征向量计算所述待分析舌部区域图像与所述已分析舌部区域图像的欧氏距离的步骤，包括：
计算所述待分析舌部区域图像的预设数量维所述舌部特征向量和所述已分析图像的预设数量维已分析向量的欧氏距离。
12.根据权利要求11所述的基于全息多维舌部图像分析方法，其特征在于，所述计算所述待分析舌部区域图像的预设数量维所述舌部特征向量和所述已分析图像的预设数量维已分析向量的欧氏距离的步骤，包括：
根据以下公式计算所述欧氏距离：
Figure FDA0003163740720000031
其中，xi为第i维舌部特征向量，yi为第i维已分析向量。
13.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述获取目标用户的待分析舌部图像的步骤，包括：
获取目标用户提供的自拍舌部图像，将所述自拍舌部图像输入预训练的舌部提取神经网络获取所述待分析舌部图像。
14.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述根据所述舌部特征获取目标用户的舌部分析结果的步骤，包括：
根据目标舌部特征获取初步分析结果，根据辅助舌部特征获取辅助分析结果，综合所述初步分析结果和所述辅助分析结果获取所述舌部分析结果。
15.根据权利要求1所述的基于全息多维舌部图像分析方法，其特征在于，所述预设距离阈值为0.5。
16.一种基于全息多维舌部图像分析系统，其特征在于，包括：
获取模块，用于获取目标用户的待分析舌部图像，所述待分析舌部图像包括舌面图像和舌底图像中的至少一个；
图像模块，用于根据所述待分析舌部图像获取目标用户舌部的至少一个待分析舌部区域图像；
网络模块，用于将所述待分析舌部区域图像输入预训练的舌部特征神经网络，获取所述待分析舌部区域图像的舌部特征向量；
特征模块，用于获取预设分析数据库中的已分析舌部区域图像，根据所述舌部特征向量计算所述待分析舌部区域图像与所述已分析舌部区域图像的欧氏距离，当所述欧氏距离小于预设距离阈值时，根据所述已分析舌部区域图像的已分析结果获取舌部特征；
结果模块，用于根据所述舌部特征获取目标用户的舌部分析结果。
17.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至15中任一项所述方法的步骤。
18.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至15中任一项所述方法的步骤。
CN202110798587.5A 2021-07-15 2021-07-15 基于全息多维舌部图像分析方法、系统、设备和存储介质 Active CN113409304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110798587.5A CN113409304B (zh) 2021-07-15 2021-07-15 基于全息多维舌部图像分析方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110798587.5A CN113409304B (zh) 2021-07-15 2021-07-15 基于全息多维舌部图像分析方法、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113409304A true CN113409304A (zh) 2021-09-17
CN113409304B CN113409304B (zh) 2022-05-20

Family

ID=77686419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110798587.5A Active CN113409304B (zh) 2021-07-15 2021-07-15 基于全息多维舌部图像分析方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113409304B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842314A (zh) * 2022-04-27 2022-08-02 王之纯 基于神经网络的舌象的识别方法、装置和计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103340598A (zh) * 2013-05-16 2013-10-09 李少文 用于人体的色卡及其制作方法、使用方法
CN103745217A (zh) * 2013-12-31 2014-04-23 北京工业大学 基于图像检索的中医舌色苔色自动分析方法
CN205215184U (zh) * 2015-08-05 2016-05-11 南开大学 中医智能诊断专家系统
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
CN110782986A (zh) * 2019-10-28 2020-02-11 北京峰云视觉技术有限公司 一种智能舌诊数据处理系统及方法
CN110960193A (zh) * 2019-12-12 2020-04-07 苏州杰胜通信息技术有限公司 基于面部和舌部图像采集的中医诊断分析系统及其方法
CN111223117A (zh) * 2018-11-26 2020-06-02 深圳市前海安测信息技术有限公司 舌面图像分割装置、方法及计算机存储介质
CN111222371A (zh) * 2018-11-26 2020-06-02 深圳市前海安测信息技术有限公司 舌下静脉特征提取装置及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103340598A (zh) * 2013-05-16 2013-10-09 李少文 用于人体的色卡及其制作方法、使用方法
CN103745217A (zh) * 2013-12-31 2014-04-23 北京工业大学 基于图像检索的中医舌色苔色自动分析方法
CN205215184U (zh) * 2015-08-05 2016-05-11 南开大学 中医智能诊断专家系统
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
CN111223117A (zh) * 2018-11-26 2020-06-02 深圳市前海安测信息技术有限公司 舌面图像分割装置、方法及计算机存储介质
CN111222371A (zh) * 2018-11-26 2020-06-02 深圳市前海安测信息技术有限公司 舌下静脉特征提取装置及方法
CN110782986A (zh) * 2019-10-28 2020-02-11 北京峰云视觉技术有限公司 一种智能舌诊数据处理系统及方法
CN110960193A (zh) * 2019-12-12 2020-04-07 苏州杰胜通信息技术有限公司 基于面部和舌部图像采集的中医诊断分析系统及其方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842314A (zh) * 2022-04-27 2022-08-02 王之纯 基于神经网络的舌象的识别方法、装置和计算机设备

Also Published As

Publication number Publication date
CN113409304B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
US11270169B2 (en) Image recognition method, storage medium and computer device
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
CN107862282B (zh) 一种手指静脉识别与安全认证方法及其终端及系统
WO2018120942A1 (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN109614869B (zh) 一种基于多尺度压缩奖惩网络的病理图像分类方法
CN110705440B (zh) 一种基于神经网络特征融合的胶囊内镜图像识别模型
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN113409304B (zh) 基于全息多维舌部图像分析方法、系统、设备和存储介质
JP6734475B2 (ja) 画像処理装置及びプログラム
CN112233795A (zh) 一种基于耳朵纹理特征的疾病预测系统
CN106846293A (zh) 图像处理方法和装置
CN113066093A (zh) 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法
CN111028218A (zh) 眼底图像质量判定模型训练方法、装置和计算机设备
Oguz et al. Combining deep learning and multi-atlas label fusion for automated placenta segmentation from 3DUS
CN116128814A (zh) 舌诊图像的标准化采集方法及相关装置
CN114998320A (zh) 视觉显著性检测的方法、系统、电子装置和存储介质
CN110766678A (zh) 一种卵巢癌分子分型预测系统
CN112560911B (zh) 中医舌图像分类方法及系统
Nagano et al. Development of a skin texture evaluation system using a convolutional neural network
CN111667469A (zh) 肺部疾病分类方法、装置及设备
CN110610502A (zh) 一种基于ct图像的主动脉弓部区域自动定位分割方法
CN108629780B (zh) 基于颜色分解和阈值技术的舌图像分割方法
CN113409275B (zh) 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置
CN115601339A (zh) 一种基于人工智能的舌象问诊艾灸方案生成系统及方法

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
GR01 Patent grant
GR01 Patent grant