CN115937215B - 基于人工智能的津液分析苔质方法 - Google Patents
基于人工智能的津液分析苔质方法 Download PDFInfo
- Publication number
- CN115937215B CN115937215B CN202310217570.5A CN202310217570A CN115937215B CN 115937215 B CN115937215 B CN 115937215B CN 202310217570 A CN202310217570 A CN 202310217570A CN 115937215 B CN115937215 B CN 115937215B
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- pixel
- body fluid
- moss
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于人工智能的津液分析苔质方法,涉及计算机技术领域,包括S1、获取待分析的舌像图像;S2、采用U‑Net深度学习网络检测舌像图中的舌体并进行定位和边缘分割获得舌体图像;S3、分析获取舌体图像的津液分布情况;S4、根据津液分布情况评估舌体苔质;通过本方法实现对舌苔上的津液进行分析,确定津液分布状态和舌体苔质,有助于医生对该舌体主人的情况进行分析;相对于其他方法,对津液分布状态进行了更细致的区分,对环境光照变化和舌体的特异性有更高的泛用性和适应性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于人工智能的津液分析苔质方法。
背景技术
中医科学认为:舌质由胃气所生,而五脏六腑皆禀气于胃,胃气与脏腑相通,所以能反映人体内部的状态。舌质可以反映人体内部的状态,所以进行舌质评估是中医看诊的一个重要环节。正常人的舌质,一般是舌苔薄而均匀地平铺在舌面,在舌面中部、根部稍厚,津液分布均匀;而当人患有疾病时,则会出现苔色、苔质和津液分布的改变,这些改变能反映出病的轻重和病位。所以中医看诊时会经常观察舌质的苔质与津液分布等情况,这对于判断病人的健康状况具有重要意义。
现目前,中医医生诊疗主要还是通过主观评估津液分布来进行诊疗,然而诊断过程存在一定的主观性,如中医医生对病人的诊断方式各不相同,不同的医生对同一病人的诊断也不一致。随着科学技术的迅猛发展,越来越多的研究人员开始尝试使用计算机辅助实现舌质的自动化评估。范尚勇尝试使用U-Net网络进行舌体分割以进行糖尿病及胃病进行评估,所得到的结果证明人工智能技术可以为医生提供有价值的参考依据;张丽倩针对校正后的舌体提出五种特征以检测舌质的型状;江涛则尝试使用Mask-RCNN分割出舌体边缘后,通过Res-Net等网络模型对舌苔和舌质进行评估。众多研究都聚焦于舌体、舌苔方面的评估,然而当人生病时,其津液分布也会发生对应的改变,而针对津液分布的评估方法研究却仍待探索。
发明内容
本发明的目的就在于为了解决上述问题设计了一种基于人工智能的津液分析苔质方法。
本发明通过以下技术方案来实现上述目的:
基于人工智能的津液分析苔质方法,包括:
S1、获取待分析的舌像图像;
S2、采用U-Net深度学习网络检测舌像图中的舌体并进行定位和边缘分割获得舌体图像;
S3、分析获取舌体图像的津液分布情况;
S4、根据津液分布情况评估舌体苔质。
本发明的有益效果在于:通过本方法实现对舌苔上的津液进行分析,确定津液分布状态和舌体苔质,有助于医生对该舌体主人的情况进行分析;相对于其他方法,对津液分布状态进行了更细致的区分,对环境光照变化和舌体的特异性有更高的泛用性和适应性。
附图说明
图1是本发明基于人工智能的津液分析苔质方法的流程示意图;
图2是舌像图像示意图;
图3是舌体图像示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的具体实施方式进行详细说明。
如图1所示,基于人工智能的津液分析苔质方法,包括:
S1、获取待分析的舌像图像,如图2所示。
S2、采用U-Net深度学习网络检测舌像图中的舌体并进行定位和边缘分割获得舌体图像,如图3所示。
S3、分析获取舌体图像的津液分布情况;具体包括:
S31、分块处理舌体图像得到分块图像Q1,Q2,......,Qn,分辨率为1024*1024分辨率的图像分成512块,其每块的边界像素长度计算公式为:(i/512)*(j/512),其中i代表输入图像的像素长度,j代表原始图像的像素宽度;
S32、归一化处理分块图像得到归一化像素q x (i,j);
S33、对归一化像素q x (i,j)进行直方图统计,并运用matplotlib绘制直方图后,利用hist直方图绘制函数绘制包络线得到图像Qx的包络线Yx;
其中,Yx(x)表示包络线Yx在点x的函数值;
S4、根据津液分布情况评估舌体苔质;具体为:
S43、分析舌体图像不连续区域的形状特征,确定苔质为正常苔、燥苔还是糙苔,具体包括:
①、扫描舌体图像,寻找舌体图像的种子点并进行区域生长,提取舌体图像的不连续区域Pi;具体为:
1)、扫描舌体图像,判断舌体图像是否存在种子点(a0,b0),若是则进入2),反之进入4);种子点满足条件:像素点的值在30-100之间;该像素点的8邻域像素点的像素值都在30-100区间;
2)、以(a0,b0)为中心,考虑(a0,b0)的4邻域像素(a,b),判断(a0,b0)的像素值T与(a,b)的像素值Ti的差值关系是否满足阈值条件:,/>;其中Tmax代表4邻域中的像素最大值,Tmin代表4邻域中的像素最小值,若是则合并(a,b)与(a0,b0),同时将(a,b)压入堆栈,并进入3);反之则堆栈为空,返回1);
3)、从堆栈中取出一个像素, 并令该像素作为(a0,b0),返回到2);
4)、种子点区域生长结束,得到像素值不连续的像素集合,其为连通的,得到不连续区域Pi;
②、利用minEnclosingCircle寻找最小包围圆方法,对Pi进行轮廓查找,得到轮廓OLi;
Oi是由n个点构成的一个凸包,在凸包的顶点上面找两个最远点,运用RotatingCalipers旋转卡尺方法求凸包半径;对于顶点和两个最远点的3个点A(x1,y1)、B(x2,y2)、C(x3,y3)圆心有:
③、利用提取最大连通域方法统计连通域信息,输出连通域信息得到不规则区域的面积Si;
⑤、判断面积比Zi是否小于1.5,若是则苔质为正常苔,反之则进入⑥;
⑥、判断面积比Zi是否小于3,若是则苔质为燥苔;反之则苔质为糙苔。
本发明提出了一种基于图像分块后直方图包络线峰值信息来判断津液分布情况的方法来区分判断水滑苔与润苔。目前在中医临床诊断中,患者舌像的津液分布情况主要由医师主观评估,效果好坏极大程度上取决于医师的经验。近年来,随着计算机辅助诊断方法的兴盛,许多研究人员采用了人工智能深度学习等方法来判断津液分布情况,但这些方法忽略了病理学知识和舌像的特殊性,这导致这些方法会出现泛用性不高,稳定性不足,准确率大打折扣的问题。为了解决这些问题本专利结合图像整体像素分布以及区域信息提出了一种苔质津液分布状态评估算法。由于津液与舌质的像素值差距较大,会在直方图中形成不同的分布峰值,因为舌质像素汇集在同一峰值处,因此绘制出的直方图包络线峰值越多,说明该处的津液分布也较多,所以针对峰值信息进行统计,可以对润苔与水滑苔进行区分判断。而燥苔津液分布较少,形状分布较均匀,而糙苔津液分布很少,形状分布开裂不规则,所以针对最小外接圆面积比进行统计,可以实现对燥苔与糙苔进行区分判断。
通过该方法将苔质上的津液分布状态可分为润苔、水滑苔、燥苔和糙苔。该方法相对于其他方法,对津液分布状态进行了更细致的区分,对环境光照变化和舌体的特异性有更高的泛用性和适应性。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (4)
1.基于人工智能的津液分析苔质方法,其特征在于,包括:
S1、获取待分析的舌像图像;
S2、采用U-Net深度学习网络检测舌像图中的舌体并进行定位和边缘分割获得舌体图像;
S3、分析获取舌体图像的津液分布情况;具体包括:
S31、分块处理舌体图像得到分块图像Q1,Q2,......,Qn;
S32、归一化处理分块图像得到归一化像素q x (i,j);
S33、对归一化像素q x (i,j)进行直方图统计,并运用matplotlib绘制直方图后,利用hist直方图绘制函数绘制包络线得到图像Qx的包络线Yx;
其中,Yx(x)表示包络线Yx在点x的函数值;
S4、根据津液分布情况评估舌体苔质;具体包括:
S43、分析舌体图像不连续区域的形状特征,确定苔质为正常苔、燥苔还是糙苔;具体为:
①、扫描舌体图像,寻找舌体图像的种子点并进行区域生长,提取舌体图像的不连续区域Pi;
②、利用minEnclosingCircle寻找最小包围圆方法,对Pi进行轮廓查找,得到轮廓OLi;
Oi是由n个点构成的一个凸包,在凸包的顶点上面找两个最远点,运用RotatingCalipers旋转卡尺方法求凸包半径;对于顶点和两个最远点的3个点A(x1,y1)、B(x2,y2)、C(x3,y3)圆心有:
③、利用提取最大连通域方法统计连通域信息,输出连通域信息得到不规则区域的面积Si;
⑤、判断面积比Zi是否小于1.5,若是则苔质为正常苔,反之则进入⑥;
⑥、判断面积比Zi是否小于3,若是则苔质为燥苔;反之则苔质为糙苔。
2.根据权利要求1所述的基于人工智能的津液分析苔质方法,其特征在于,在①中包括:
1)、扫描舌体图像,判断舌体图像是否存在种子点(a0,b0),若是则进入2),反之进入4);
2)、以(a0,b0)为中心,考虑(a0,b0)的4邻域像素(a,b),判断(a0,b0)的像素值T与(a,b)的像素值Ti的差值关系是否满足阈值条件:,/>;其中Tmax代表4邻域中的像素最大值,Tmin代表4邻域中的像素最小值,若是则合并(a,b)与(a0,b0),同时将(a,b)压入堆栈,并进入3);反之则堆栈为空,返回1);
3)、从堆栈中取出一个像素, 并令该像素作为(a0,b0),返回到2);
4)、种子点区域生长结束,得到像素值不连续的像素集合,其为连通的,得到不连续区域Pi。
3.根据权利要求2所述的基于人工智能的津液分析苔质方法,其特征在于,在1)中,种子点满足条件:像素点的值在30-100之间;该像素点的8邻域像素点的像素值都在30-100区间。
4.根据权利要求1所述的基于人工智能的津液分析苔质方法,其特征在于,在S31中,分辨率为1024*1024分辨率的图像分成512块,其每块的边界像素长度计算公式为:(i/512)*(j/512),其中i代表输入图像的像素长度,j代表原始图像的像素宽度;图像分块处理后得到分块图像Q1,Q2,......,Qn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310217570.5A CN115937215B (zh) | 2023-03-08 | 2023-03-08 | 基于人工智能的津液分析苔质方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310217570.5A CN115937215B (zh) | 2023-03-08 | 2023-03-08 | 基于人工智能的津液分析苔质方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937215A CN115937215A (zh) | 2023-04-07 |
CN115937215B true CN115937215B (zh) | 2023-06-06 |
Family
ID=86554464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310217570.5A Active CN115937215B (zh) | 2023-03-08 | 2023-03-08 | 基于人工智能的津液分析苔质方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937215B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859229A (zh) * | 2018-12-14 | 2019-06-07 | 上海源庐加佳信息科技有限公司 | 一种中医舌质苔质分离方法 |
CN113160973A (zh) * | 2021-04-15 | 2021-07-23 | 武汉未康未病医学有限公司 | 一种看舌头App气血津液数学模型 |
CN113241182A (zh) * | 2021-03-04 | 2021-08-10 | 武汉未康未病医学有限公司 | 一种用于识别舌头苔形、苔质app的数学模型 |
CN113298034A (zh) * | 2021-06-17 | 2021-08-24 | 武汉未康未病医学有限公司 | 一种基于舌诊用舌面轮廓环区域划分数学模型的识别方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060281068A1 (en) * | 2005-06-09 | 2006-12-14 | Chemimage Corp. | Cytological methods for detecting a disease condition such as malignancy by Raman spectroscopic imaging |
-
2023
- 2023-03-08 CN CN202310217570.5A patent/CN115937215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859229A (zh) * | 2018-12-14 | 2019-06-07 | 上海源庐加佳信息科技有限公司 | 一种中医舌质苔质分离方法 |
CN113241182A (zh) * | 2021-03-04 | 2021-08-10 | 武汉未康未病医学有限公司 | 一种用于识别舌头苔形、苔质app的数学模型 |
CN113160973A (zh) * | 2021-04-15 | 2021-07-23 | 武汉未康未病医学有限公司 | 一种看舌头App气血津液数学模型 |
CN113298034A (zh) * | 2021-06-17 | 2021-08-24 | 武汉未康未病医学有限公司 | 一种基于舌诊用舌面轮廓环区域划分数学模型的识别方法 |
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 |
Non-Patent Citations (5)
Title |
---|
Siu Cheung Hui等.Machine learning for tongue diagnosis.《2007 6th International Conference on Information, Communications & Signal Processing》.2008,第1-5页. * |
一种自动提取彩色舌图像的算法;刘媛等;《长春中医药大学学报》;第33卷(第5期);第749-752页 * |
中医显微舌像仪——苔液显微图像辨证初探;王小满等;《中医杂志》;第51卷(第S1期);第21-22页 * |
基于深度神经网络的舌苔体质辨识;曾海彬;《中国优秀硕士学位论文全文数据库 信息科技辑》(第6期);第I138-488页 * |
手术后舌象变化的相关因素探讨;钟天等;《江西中医学院学报》;第10卷(第1期);第3-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115937215A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Classification of melanoma and nevus in digital images for diagnosis of skin cancer | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
Sánchez et al. | Retinal image analysis based on mixture models to detect hard exudates | |
US7689016B2 (en) | Automatic detection of critical dermoscopy features for malignant melanoma diagnosis | |
Senan et al. | Analysis of dermoscopy images by using ABCD rule for early detection of skin cancer | |
Mendonça et al. | Ph2: A public database for the analysis of dermoscopic images | |
Fauzi et al. | Computerized segmentation and measurement of chronic wound images | |
US10229488B2 (en) | Method and system for determining a stage of fibrosis in a liver | |
Ali et al. | Automating the ABCD rule for melanoma detection: a survey | |
Cavalcanti et al. | Macroscopic pigmented skin lesion segmentation and its influence on lesion classification and diagnosis | |
Chakraborty et al. | Chronic wound characterization using bayesian classifier under telemedicine framework | |
Singh et al. | Designing a retrieval-based diagnostic aid using effective features to classify skin lesion in dermoscopic images | |
Kaur et al. | Diabetic retinopathy diagnosis through computer-aided fundus image analysis: a review | |
CN112560911B (zh) | 中医舌图像分类方法及系统 | |
Piantanelli et al. | Fractal characterisation of boundary irregularity in skin pigmented lesions | |
US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
CN115937215B (zh) | 基于人工智能的津液分析苔质方法 | |
Sheha et al. | Automated imaging system for pigmented skin lesion diagnosis | |
CN115953392B (zh) | 基于人工智能的舌体苔质评估方法 | |
CN113222009A (zh) | 一种基于甲状腺超声视频估算结节纵横比的方法 | |
Hemalatha et al. | Performance evaluation of oral cancer detection and classification using deep learning approach | |
Paramitha et al. | Feature Extraction in Liver Cancer Based on Abdominal CT Scan Images using Contour Analysis and GLCM Method | |
Zouridakis et al. | Transillumination imaging for early skin cancer detection | |
Francese et al. | An augmented reality mobile application for skin lesion data visualization |
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 |