CN113989269A - 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 - Google Patents
一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 Download PDFInfo
- Publication number
- CN113989269A CN113989269A CN202111343980.1A CN202111343980A CN113989269A CN 113989269 A CN113989269 A CN 113989269A CN 202111343980 A CN202111343980 A CN 202111343980A CN 113989269 A CN113989269 A CN 113989269A
- Authority
- CN
- China
- Prior art keywords
- detection
- tooth
- tongue
- tooth mark
- network
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 239000003814 drug Substances 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 102100040605 1,2-dihydroxy-3-keto-5-methylthiopentene dioxygenase Human genes 0.000 claims description 3
- 101000966793 Homo sapiens 1,2-dihydroxy-3-keto-5-methylthiopentene dioxygenase Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 241000282326 Felis catus Species 0.000 claims description 2
- 210000000746 body region Anatomy 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 abstract description 2
- 239000007787 solid Substances 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 208000031975 Yang Deficiency Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法，以卷积神经网络VGG16作为基础网络提取特征；提出了多尺度特征融合模块和特征增强模块，分别用于对卷积神经网络的不同尺度特征进行融合，并对融合后的特征进行增强，形成4个检测层；最后采用SSD方法在这4个检测层上分别进行齿痕检测，并采用非极大值抑制方法对各个检测结果进行融合，得到最终的齿痕检测结果。本发明可以提高各检测层的特征表达能力，实现中医舌图像中齿痕的自动、准确检测，在检测精度上与传统方法相比具有明显优势，可以满足实际应用需求。本发明大大降低了网络模型的复杂度。本方法在检测精度上具有明显的优势，可以满足实际的应用需求。
Description
技术领域
本发明属于计算机视觉领域和中医诊断学领域，具体涉及计算机图像处理、深度学习、中医舌诊等技术。
背景技术
中医舌象特征的自动化分析是舌诊客观化的核心内容，分析结果的准确程度决定了后续处理的可靠性和中医从业者们的接受程度。根据中医以表知里的诊断原理，舌象特征变化反映了人体脏腑的功能病变。齿痕是重要的舌象特征之一，多由气虚、脾虚或阳虚所致。齿痕舌是由于脾虚不能运化水湿，致舌体胖大受齿缘压迫所致，其对临床辨证论治有很大的指导意义。
传统的齿痕检测算法主要是根据舌体轮廓边缘曲线的曲率变化结合颜色、亮度以及几何信息来确定齿痕位置。舌体分割算法的性能制约着舌体轮廓边缘曲线的准确程度，因此传统齿痕检测算法的准确性严重的受制于舌体分割算法的性能。而传统的齿痕检测算法只考虑了局部信息而忽略了全局上下文，也影响了检测效果。近年来，深度学习在图像分类、目标检测以及语义分割等诸多领域取得了巨大成功。相较于传统机器学习方法，深度学习具有更高的准确率和模型泛化能力。目前，深度学习在医学领域也取得了巨大成功因此。将深度学习的理论知识应用到中医舌诊的齿痕检测中，将为齿痕检测提供一种新的技术手段。然而与传统的目标检测对象不同，舌图像齿痕区域的颜色与周围舌体颜色相近，同时齿痕区域也缺乏明确的语义信息，为了实现齿痕的准确检测，需要提升深度特征的表达能力。
为此，本发明针对中医舌图像齿痕检测的特点，提出了一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕检测方法。首先，以卷积神经网络VGG16作为基础网络提取特征；然后，发明了多尺度特征融合模块和特征增强模块，分别用于对卷积神经网络的不同尺度特征进行融合，并对融合后的特征进行增强，形成4个检测层；最后采用SSD方法在这4个检测层上分别进行齿痕检测，并采用非极大值抑制方法对各个检测结果进行融合，得到最终的齿痕检测结果。本发明可以提高各检测层的特征表达能力，实现中医舌图像中齿痕的自动、准确检测，在检测精度上与传统方法相比具有明显优势，可以满足实际应用需求。
发明内容
本发明提出了一种基于深度神经网络多尺度特征融合的中医舌图像齿痕检测方法。为了实现中医舌图像中齿痕的准确检测，本发明采用如下的技术方案：
本发明提出的中医舌图像齿痕检测方法共包括齿痕检测数据集构建、齿痕检测网络模型设计与训练、齿痕检测等三个步骤。
步骤1：构建齿痕检测数据集
齿痕检测数据集用于训练卷积神经网络。本发明构建数据集所需的舌图像通过自研的SIPL型中医舌象仪采集得到，采集后的舌图像由中医医师进行手工标定。构建齿痕检测数据集需要进行舌体区域提取、齿痕区域标注两个步骤。
步骤1.1：对舌图像进行分割，提取出舌体区域；
步骤1.2:对舌体图像中的齿痕区域进行手工标注。每幅舌体图像与标注结果一一对应，形成数据样本对，构建出齿痕检测数据集。
步骤2：齿痕检测网络设计与训练
齿痕区域和周围舌体部分颜色近似，同时也缺乏明显的语义信息，如果直接应用通用的目标检测模型，检测效果不能令人满意。如何针对齿痕检测的具体特点，选择合适的卷积神经网络提取特征，有效融合深度特征，提升特征的描述能力和区分性，是本发明的关键所在。为此，本发明首先选择先进的卷积神经网络VGG16作为基础网络提取特征，然后提出了多尺度特征融合模块和特征增强模块，以提升特征的表达能力，实现齿痕的准确检测。具体方案如下：
步骤2.1：齿痕检测深度卷积网络架构选择与训练。现有的深层神经网络结构往往以极高的计算复杂度和存储空间为代价，以大规模数据集为支撑，来获得性能上的大幅提升，而在训练数据集样本较少的情况下容易产生过拟合和局部收敛问题。本发明综合考虑资源需求、检测精度与速度的均衡以及齿痕检测的特点，同时考虑到舌图像中齿痕区域的尺寸大小和训练数据集的规模，选择深度卷积网络VGG16作为基础的特征提取网络并生成4个检测层。
步骤2.2：多尺度特征融合。由于齿痕区域颜色与周围的舌体区域相似，同时缺乏语义信息。不同检测层特征中包含有不同的信息，为了提升各个检测层特征的表达能力，进而提升检测精度，本发明提出了多尺度特征融合模块，通过对各个检测层不同尺度的特征进行融合，得到新的4个检测层。
设W、H和C代表特征图的宽、高和通道数，则低层特征图A1为W1×H1×C1，本层特征图A0为W0×H0×C0，高层特征图A2为：W2×H2×C2,融合后特征图Af为：Wf×Hf×Cf,其中W、H和C代表特征图的宽、高和通道数。
Af＝Relu(CONV(cat(Relu(bn(conv(Dconv(A1)))),Relu(bn(conv(A0))),Relu(bn(conv(conv(A2)))))))
特征图融合三层不同尺度的特征，融合后的特征图具有和本层特征图相同的宽、高和通道数。
步骤2.3：特征增强。为了进一步提高特征的表达能力，本发明提出了特征增强模块，对四个检测层进行特征增强，得到增强后的检测层特征。
步骤2.4：区域候选框的确定。在得到四个经过特征增强的检测层后，由于本方法是在不同的检测层上检测不同大小的齿痕。因此需要在不同尺度的检测层上设置区域选框。区域候选框定义如下计算：
其中m为检测层层数，smin＝0.2为最低检测层尺度，smax＝0.9为最高检测层尺度。
通过聚类发现，齿痕区域的高宽比大约为1。因此区域候选框的高宽比ar＝1。为了提高检测性能还增加了一个尺度
所以每个检测层上区域候选框的宽、高分别为sk和s'k。
步骤2.5：利用齿痕检测数据集对齿痕检测网络进行训练，得到舌图像齿痕检测模型。
步骤3：对待检测的舌图像进行齿痕检测。对待预测舌图像提取舌体区域后，输入到训练好的检测网络中，网络输出即为齿痕检测结果。
与现有技术相比，本发明具有以下明显的优势和有益效果：首先，本发明提出的齿痕检测方法创新性地将最新的深度学习技术引入中医齿痕检测中，利用深度学习从数据中自动学习有效的特征表达，将特征提取和齿痕检测纳入到一个框架中，避免了手工特征选取过程，直接实现了端到端的齿痕检测。其次，本发明采用深度卷积神经网络生成检测层，通过多尺度特征融合与特征增强来提升特征的表达能力，在保证检测性能的前提下，大大降低了网络模型的复杂度。与利用舌体轮廓曲线曲率变化来检测齿痕的传统方法相比，本方法在检测精度上具有明显的优势，可以满足实际的应用需求。
附图说明
图1中医舌图像齿痕检测方法整体框图
图2舌象仪采集到的舌图像
图3齿痕标注样本图像
图4多特征融合模块框图
图5特征增强模块框图
图6舌图像齿痕检测结果
具体实施方式
以下结合附图，详细说明本发明的具体实施方式。以下仅是一个具体的实施流程，但本专利所保护的范围并不限于该实施流程。本发明提出方法的整体框图如图1所示，具体实施过程如下：
步骤1：构建齿痕检测数据集
本发明所使用的舌图像通过自研的SIPL型中医舌象仪采集得到，再由中医医师逐一进行标定。为了去除背景对检测结果的影响，本发明首先对采集到的舌图像进行分割，提取出舌体区域，再对舌体中的齿痕区域进行标注，构建齿痕检测数据集。
步骤1.1：舌体区域提取。利用中医舌象仪采集得到的原始舌图像中包含嘴唇、脸部、背景信息等干扰信息，如图2所示，过多的干扰信息容易对齿痕检测产生不利影响，因此需要进行去除干扰区域，将舌体部分从原图像中分离出来。
目前已经有各种中医舌图像自动分割方法，其中基于深度卷积神经网络的图像分割方法能够取得相比传统方法更加准确的分割结果。本发明采用TISNet网络进行舌体分割，分割结果如图3所示。
接下来，对舌体中的齿痕区域进行标注，由中医医生手工确定齿痕矩形区域的左上角坐标值以及矩形区域的宽度和高度，标注后的样本图像如图3所示。每幅舌体图像与标注结果一一对应，形成一个数据样本对，构建出齿痕检测数据集。
步骤2：齿痕检测网络模型设计与训练
步骤2.1：齿痕检测网络模型选择。本发明综合考虑资源需求、检测精度与速度的均衡以及齿痕检测的特点，同时考虑到舌图像中齿痕区域的尺寸大小和训练数据集的规模，选择深度卷积网络VGG16作为基础的特征提取网络，并生成4个检测层Conv4_3、Conv7、Conv8_2、Conv9_2。
步骤2.2：多尺度特征融合模块。模块框图如图4所示，共包含来自高分辨率检测层、本检测层和低分辨率检测层的三个分支。高分辨率检测层经过下采样、低分辨率检测层经过上采样，得到和本检测层相同的分辨率。然后三个检测层进行堆叠，并经过卷积和激活操作生成新的检测层。其中检测层Conv7、Conv8_2、Conv9_2融合后形成新的Conv8_2检测层；Conv4_3、Conv7、Conv8_2检测层融合后形成新的Conv7检测层；卷积层Conv3_3、检测层Conv4_3、Conv7融合后形成新的Conv4_3检测层。
步骤2.3：特征增强模块。特征增强模块用于对新的Conv4_3、Conv7、Conv8_2和Conv9_2检测层进行特征增强，以进一步提升特征的表达能力。特征增强模块的框图如图5所示。特征增强模块具有多个分支并利用了空洞卷积操作，可以更好的提取上下文信息，提高了特征的表达能力。
步骤2.4：区域候选框的确定。在得到四个经过特征增强的检测层后，由于本方法是在不同的检测层上检测不同大小的齿痕。因此需要在不同尺度的检测层上设置区域选框。区域候选框定义如下计算：
其中m为检测层层数，smin＝0.2为最低检测层尺度，smax＝0.9为最高检测层尺度。
通过聚类发现，齿痕区域的高宽比大约为1。因此区域候选框的高宽比ar＝1。为了提高检测性能还增加了一个尺度
所以每个检测层上区域候选框的宽、高分别为sk和s'k。
步骤2.5：利用齿痕检测数据集对齿痕检测网络进行训练，得到舌图像齿痕检测模型。舌图像齿痕检测网络基于pytotch深度学习平台实现，计算机系统配置为Intel(R)Core(TM)i7-6700CPU 3.40GHz，16G内存，TITAN X(Pascal)显卡。采用SGD梯度下降算法训练网络模型参数，损失函数采用的是MultiBoxLoss。将数据集按照8:2的比例划分为训练样本和测试样本，训练时对训练样本进行数据扩充，以提升网络的性能。
步骤3：对待检测的舌图像进行齿痕检测。对待预测舌图像提取舌体区域后，利用训练好的模型进行齿痕检测，获得最终检测结果。图6为检测结果示例图像。
采用相同的训练策略，将本发明提出的方法和目前比较先进的SSD、FSSD、BiFPN等基于深度学习的单阶段目标检测方法进行了对比，结果如表1所示。可以看出，本方法可以获得最优的检测结果，证明了本方法的有效性。
表1
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭示的技术范围内可以轻易想到的替换或变化都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法，其特征在于：包括如下步骤，
步骤1：构建齿痕检测数据集
齿痕检测数据集用于训练卷积神经网络；构建数据集所需的舌图像通过自研的SIPL型中医舌象仪采集得到，采集后的舌图像进行手工标定；构建齿痕检测数据集需要进行舌体区域提取、齿痕区域标注；
步骤1.1：对舌图像进行分割，提取出舌体区域；
步骤1.2:对舌体图像中的齿痕区域进行手工标注；每幅舌体图像与标注结果对应，形成数据样本对，构建出齿痕检测数据集；
步骤2：齿痕检测网络设计与训练
选择先进的卷积神经网络VGG16作为基础网络提取特征，然后提出了多尺度特征融合模块和特征增强模块，以提升特征的表达能力，实现齿痕的准确检测；
步骤2.1：齿痕检测深度卷积网络架构选择与训练；综合考虑资源需求、检测精度与速度的均衡以及齿痕检测的特点，同时考虑到舌图像中齿痕区域的尺寸大小和训练数据集的规模，选择深度卷积网络VGG16作为基础的特征提取网络并生成4个检测层；
步骤2.2：多尺度特征融合；提出了多尺度特征融合模块，通过对各个检测层不同尺度的特征进行融合，得到新的4个检测层；
步骤2.3：特征增强；利用特征增强模块对四个检测层进行特征增强，得到增强后的检测层特征；
步骤2.4：区域候选框的确定；在得到四个经过特征增强的检测层后，由于本方法是在不同的检测层上检测不同大小的齿痕；
步骤2.5：利用齿痕检测数据集对齿痕检测网络进行训练，得到舌图像齿痕检测模型；
步骤3：对待检测的舌图像进行齿痕检测；对待预测舌图像提取舌体区域后，输入到训练好的检测网络中，网络输出即为齿痕检测结果。
2.根据权利要求1所述的一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法，其特征在于：步骤2.2中，设W、H和C代表特征图的宽、高和通道数，则低层特征图A1为W1×H1×C1，本层特征图A0为W0×H0×C0，高层特征图A2为：W2×H2×C2,融合后特征图Af为：Wf×Hf×Cf,其中W、H和C代表特征图的宽、高和通道数；
Af＝Relu(CONV(cat(Relu(bn(conv(Dconv(A1)))),Relu(bn(conv(A0))),Relu(bn(conv(conv(A2)))))))
特征图融合三层不同尺度的特征，融合后的特征图具有和本层特征图相同的宽、高和通道数。
3.根据权利要求1所述的一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法，其特征在于：在不同尺度的检测层上设置区域选框；区域候选框定义如下计算：
其中m为检测层层数，smin＝0.2为最低检测层尺度，smax＝0.9为最高检测层尺度；
通过聚类发现，齿痕区域的高宽比为1；区域候选框的高宽比ar＝1；为提高检测性能增加一个尺度
所以每个检测层上区域候选框的宽、高分别为sk和s'k。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111343980.1A CN113989269B (zh) | 2021-11-14 | 2021-11-14 | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111343980.1A CN113989269B (zh) | 2021-11-14 | 2021-11-14 | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989269A true CN113989269A (zh) | 2022-01-28 |
| CN113989269B CN113989269B (zh) | 2024-04-02 |
Family
ID=79748370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111343980.1A Active CN113989269B (zh) | 2021-11-14 | 2021-11-14 | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989269B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311386A (zh) * | 2023-05-19 | 2023-06-23 | 四川博瑞客信息技术有限公司 | 基于图像分割的舌型识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316307A (zh) * | 2017-06-27 | 2017-11-03 | 北京工业大学 | 一种基于深度卷积神经网络的中医舌图像自动分割方法 |
| CN110210391A (zh) * | 2019-05-31 | 2019-09-06 | 合肥云诊信息科技有限公司 | 基于多尺度卷积神经网络的舌象纹理定量分析方法 |
| WO2020029915A1 (zh) * | 2018-08-06 | 2020-02-13 | 深圳市前海安测信息技术有限公司 | 基于人工智能的中医舌像分割装置、方法及存储介质 |
-
2021
- 2021-11-14 CN CN202111343980.1A patent/CN113989269B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316307A (zh) * | 2017-06-27 | 2017-11-03 | 北京工业大学 | 一种基于深度卷积神经网络的中医舌图像自动分割方法 |
| WO2020029915A1 (zh) * | 2018-08-06 | 2020-02-13 | 深圳市前海安测信息技术有限公司 | 基于人工智能的中医舌像分割装置、方法及存储介质 |
| CN110210391A (zh) * | 2019-05-31 | 2019-09-06 | 合肥云诊信息科技有限公司 | 基于多尺度卷积神经网络的舌象纹理定量分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周浩;胡广芹;张新峰;: "基于舌图像深度特征融合的中医体质分类方法研究", 北京生物医学工程, no. 03, 30 June 2020 (2020-06-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311386A (zh) * | 2023-05-19 | 2023-06-23 | 四川博瑞客信息技术有限公司 | 基于图像分割的舌型识别方法 |
| CN116311386B (zh) * | 2023-05-19 | 2023-08-15 | 四川博瑞客信息技术有限公司 | 基于图像分割的舌型识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989269B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cao et al. | A novel attention-guided convolutional network for the detection of abnormal cervical cells in cervical cancer screening | |
| WO2021217851A1 (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
| Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
| CN108010048B (zh) | 一种基于多图谱的自动脑部mri图像的海马体分割方法 | |
| CN109087703A (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
| CN112348082B (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
| CN109285142B (zh) | 一种头颈部肿瘤检测方法、装置及计算机可读存储介质 | |
| CN110766670A (zh) | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 | |
| CN110767292A (zh) | 病理编号识别方法、信息识别方法、装置及信息识别系统 | |
| CN112200091A (zh) | 舌头区域识别的方法、装置及计算机存储介质 | |
| CN112308840A (zh) | 一种病理学图像的口腔癌上皮组织区域自动分割方法 | |
| CN108830270A (zh) | 对满文单词正确分割各识别的满文单词中轴线的定位方法 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN110197113A (zh) | 一种高精度锚点匹配策略的人脸检测方法 | |
| CN110378882B (zh) | 一种多层级深度特征融合的中医舌质颜色分类方法 | |
| CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 | |
| CN115546466A (zh) | 一种基于多尺度显著特征融合的弱监督图像目标定位方法 | |
| CN111861984B (zh) | 一种确定肺部区域的方法及装置、计算机设备及存储介质 | |
| CN113222051A (zh) | 基于小肠病灶特征的图像标注方法 | |
| CN110728660B (zh) | 基于缺血性脑卒中mri检测标记进行病灶分割的方法及装置 | |
| CN112489053A (zh) | 一种舌像分割方法、装置及存储介质 | |
| CN116824333A (zh) | 一种基于深度学习模型的鼻咽癌检测系统 | |
| CN108629786B (zh) | 图像边缘检测方法及装置 | |
| CN113053521B (zh) | 基于深度学习的头颈鳞癌淋巴结转移癌诊断辅助识别系统 |
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 |