CN116071373A - 一种基于融合PCA的U-net模型舌体自动分割方法 - Google Patents
一种基于融合PCA的U-net模型舌体自动分割方法 Download PDFInfo
- Publication number
- CN116071373A CN116071373A CN202310185188.0A CN202310185188A CN116071373A CN 116071373 A CN116071373 A CN 116071373A CN 202310185188 A CN202310185188 A CN 202310185188A CN 116071373 A CN116071373 A CN 116071373A
- Authority
- CN
- China
- Prior art keywords
- net
- tongue
- improved
- segmentation model
- tongue image
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013138 pruning Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 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
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G06T5/70—
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30204—Marker
Abstract
本发明属于图像处理技术领域，尤其涉及一种基于融合PCA的U‑net模型舌体自动分割方法，包括：获取舌体图像数据，对获取到的舌体图像数据进行预处理；对预处理后的舌体图像数据构建基于PCA的改进型U‑net分割模型，利用主成分分析法计算U‑net分割模型各个参数的权重且对U‑net分割模型剪枝。对改进型U‑net分割模型进行训练、测试和验证；通过训练好的改进型U‑net分割模型对舌体图像数据进行分割处理，得到分割结果。本发明通过对获取到的舌体图像数据预处理，从而使得对舌像边缘图像切割更为准确，同时通过训练好的改进型U‑net分割模型对舌体图像数据进行分割处理，方便了医生对病情进行精准诊断。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于融合PCA的U-net模型舌体自动分割方法。
背景技术
舌诊是诊断学名词，为望诊重点内容之一。舌诊是观察舌头的色泽、形态的变化来辅助诊断及鉴别的一个有效的方法，舌象的变化能较客观准确地反映病情，可作为诊断疾病、了解病情的发展变化和辨证的重要依据。
随着人工智能的不断发展，基于深度学习模型应用在舌诊上也不断增加，传统的舌像诊断依赖医生的主观经验，同时考虑到获取舌部图像设备的差异会导致诊断出现偏差，影响对患者的诊断和治疗。同时，中国专利CN114581432A公开了一种基于深度学习的舌象仪舌象分割方法，所述方法包括：使用图像采集装置进行舌象数据采集；对采集到图像进行数据增强操作，扩大数据集数量，人为对扩大后数据集中的每个图像的舌体区域进行标注，并对标注后的数据集进行划分，划分为训练集、验证集与测试集；将训练集与验证集放入优化后的DeeplabV3+网络进行训练；利用训练好的模型对测试集进行预测，然后进行新图创建与复制原图对应像素点操作获得分割后的舌象。但是上述现有方法基于深度学习模型不能对舌像边缘图像信息进行降噪处理，无法实现在小数据集的情况下高效、精准的对舌像图像进行分割，影响对舌像的诊断。
基于此，本申请提出了一种基于融合PCA的U-net模型舌体自动分割方法。
发明内容
基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于融合PCA的U-net模型舌体自动分割方法，用以解决现有方法基于深度学习模型不能对舌像边缘图像信息进行降噪处理，无法实现在小数据集的情况下高效、精准的对舌像图像进行分割，影响对舌像诊断的问题。
为了解决上述技术问题，本发明通过以下技术方案来实现：
一种基于融合PCA的U-net模型舌体自动分割方法，具体步骤如下：
步骤S10、获取舌体图像数据，其中，舌体图像数据包括基于视觉成像获得的舌体图像集，对舌体图像集进行标注，随机生成图像编号；
步骤S20、对获取到的舌体图像数据预处理，对采集到的舌体图像数据进行降噪处理，得到高分辨率的多组像素特征的斑点图集；
步骤S30、构建改进型U-net分割模型，将舌体图像数据分为训练集、测试集和验证集，对改进型U-net分割模型进行训练、测试和验证；
步骤S40、通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理；
步骤S50、得到分割结果。
进一步地，在步骤S20中，具体包括：
步骤S201、采集舌体图像数据；
步骤S202、对采集到的舌体图像数据基于像素特征分类标准提取各个像素特征的舌体图像分类集；
步骤S203、分别对各个像素特征的舌体图像分类集进行重采样，得到多组像素特征的斑点图集；
步骤S204、对采集到的舌体图像数据进行降噪处理，得到高分辨率的多组像素特征的斑点图集。
进一步地，在步骤S204中，具体方法包括：
步骤S2041、基于公式(1)计算多组像素特征点的总覆盖值Sa；
其中，Rm为单组舌体图像内像素特征点的总数，a为单组像素特征点，Qa为a的覆盖值，Qa的计算公式(2)为：
其中，N为单组舌体图像中栅格总数，maxQa为单组栅格内聚类中心点最大覆盖值，minQa为单组栅格内边缘点最小覆盖值，以聚类中心点到单组栅格内边缘点的三分之一作为σa的值。
进一步地，在步骤S204中，具体方法还包括：
步骤S2042、基于计算的总覆盖值Sa计算单组舌体图像内像素特征点的核密度值Ia，所述核密度值Ia的计算公式(3)为：
其中，μ为核密度概率因子，设定为0.5-0.8，(x，y)为像素特征点a在单组舌体图像的坐标。。
进一步地，在步骤S30中，具体包括：
步骤S301、基于主成分分析法定制改进型U-net分割模型的业务逻辑；
步骤S302、通过改进型U-net分割模型的业务逻辑构建改进型U-net分割模型的决策树；
步骤S303、获取改进型U-net分割模型的决策树的节点结构参数，加载训练集、测试集，基于训练集、测试集对节点结构参数进行调整；
步骤S304、基于验证集判断调整后的节点结构参数是否满足改进型U-net分割模型的业务逻辑。
进一步地，在步骤S302中，改进型U-net分割模型的决策树包括改进型U-net分割模型的节点分裂属性、分裂余树以及节点分裂属性值、分裂余树值。
进一步地，在步骤S301中，具体包括：
步骤S3011、初始化U-net分割模型的初始参数；
步骤S3012、基于主成分分析法计算U-net分割模型各个参数的权重；
步骤S3013、通过组织训练集训练剪枝U-net分割模型；
步骤S3014、基于损失函数优化改进型U-net分割模型，定制改进型U-net分割模型的业务逻辑。
进一步地，在步骤S40中，具体包括：
步骤S401、获取预处理后的像素特征的斑点图集；
步骤S402、基于改进型U-net分割模型提取像素特征的斑点图集的特征；
步骤S403、通过平均池化法去除斑点图集特征的冗余信息；
步骤S404、改进型U-net分割模型的解码器对斑点图集特征进行解码，获得像素分类后的像素标注集；
步骤S405、改进型U-net分割模型的编码器对像素标注集进行重组编码，得到分割后的舌体图像集。
由上，本发明提供的一种基于融合PCA的U-net模型舌体自动分割方法，至少具有如下有益效果：
本发明通过对获取到的舌体图像数据预处理，从而使得对舌像边缘图像切割更为准确，同时通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理，得到分割结果，方便了医生对病情进行精准诊断。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明的流程图；
图2为本发明中部分舌体图像集的示意图；
图3为本发明中部分舌体预测数据集的分割效果图；
图4为本发明中对获取到的舌体图像数据预处理方法的实现流程图；
图5为本发明中对采集到的舌体图像数据进行降噪处理方法的实现流程图；
图6为本发明中构建改进型U-net分割模型方法的实现流程图；
图7为本发明中基于主成分分析法定制改进型U-net分割模型的业务逻辑方法的实现流程图；
图8为本发明中通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理方法的实现流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
如图1所示，示出了融合PCA的U-net模型舌体自动分割方法的实现流程示意图，一种基于融合PCA的U-net模型舌体自动分割方法，具体步骤如下：
步骤S10、获取舌体图像数据，其中，舌体图像数据包括基于视觉成像获得的舌体图像集，对舌体图像集进行标注，随机生成图像编号；
步骤S20、对获取到的舌体图像数据预处理，对采集到的舌体图像数据进行降噪处理，得到高分辨率的多组像素特征的斑点图集；
步骤S30、构建改进型U-net分割模型，将舌体图像数据分为训练集、测试集和验证集，对改进型U-net分割模型进行训练、测试和验证；
步骤S40、通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理；
步骤S50、得到分割结果。
在本实施例中，如图2、3所示，示出了本发明中部分获取的舌体图像集，需要说明的是，基于视觉成像获得舌体图像集的设备可以通过多角度摄像机或照相机获得。
在本实施例中，本发明通过对获取到的舌体图像数据预处理，从而使得对舌像边缘图像切割更为准确，同时通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理，得到分割结果，方便了医生对病情进行精准诊断。
本发明实施例提供了对获取到的舌体图像数据预处理的方法，如图4所示，示出了对获取到的舌体图像数据预处理方法的实现流程示意图，对获取到的舌体图像数据预处理的方法，具体包括：
步骤S101，获取舌体图像数据，其中，舌体图像数据包括基于视觉成像获得的舌体图像集。
步骤S102，采用labelme软件对舌体部分进行标注，将舌象从复杂的背景中划分出来。每张图像对应生成一个json文件，所述json文件包含了图像文件本身以及标注的对象框信息，利用生成的json文件批量生成mask数据集。
具体的，在步骤S20中，具体包括：
步骤S201、采集舌体图像数据；
步骤S202、对采集到的舌体图像数据基于像素特征分类标准提取各个像素特征的舌体图像分类集；
步骤S203、分别对各个像素特征的舌体图像分类集进行重采样，得到多组像素特征的斑点图集；
步骤S204、对采集到的舌体图像数据进行降噪处理，得到高分辨率的多组像素特征的斑点图集。
在本发明中，考虑到舌体图像的像素值矩阵取值在10-285范围内，一定程度上会降低深度学习网络的学习和训练效率，为了保证统一在[0，1]之间进行的概率计算，需要对各个像素特征的舌体图像分类集进行重采样，对舌体图像的像素值矩阵进行归一化处理，将其统一到[0，1]的区间内。
本发明实施例提供了对采集到的舌体图像数据进行降噪处理的方法，如图5所示，示出了对采集到的舌体图像数据进行降噪处理方法的实现流程示意图，所述对采集到的舌体图像数据进行降噪处理的方法，具体包括：
步骤S2041、基于公式(1)计算多组像素特征点的总覆盖值Sa；
其中，Rm为单组舌体图像内像素特征点的总数，a为单组像素特征点，Qa为a的覆盖值，Qa的计算公式(2)为：
其中，N为单组舌体图像中栅格总数，maxQa为单组栅格内聚类中心点最大覆盖值，minQa为单组栅格内边缘点最小覆盖值，以聚类中心点到单组栅格内边缘点的三分之一作为σa的值。
步骤S2042、基于计算的总覆盖值Sa计算单组舌体图像内像素特征点的核密度值Ia，所述核密度值Ia的计算公式(3)为：
其中，μ为核密度概率因子，设定为0.5-0.8，(x，y)为像素特征点a在单组舌体图像的坐标。
在本实施例中，通过单组舌体图像内像素特征点的核密度值Ia可以有效表征像素的覆盖面积，同时也实现了对舌像边缘图像的降噪处理，利于对边缘图像的分割，提高了分割和分析的精准度。
本发明实施例提供了构建改进型U-net分割模型的方法，如图6所示，示出了构建改进型U-net分割模型方法的实现流程示意图，所述构建改进型U-net分割模型的方法，具体包括：
步骤S301、基于主成分分析法定制改进型U-net分割模型的业务逻辑；
步骤S302、通过改进型U-net分割模型的业务逻辑构建改进型U-net分割模型的决策树；
步骤S303、获取改进型U-net分割模型的决策树的节点结构参数，加载训练集、测试集，基于训练集、测试集对节点结构参数进行调整；
步骤S304、基于验证集判断调整后的节点结构参数是否满足改进型U-net分割模型的业务逻辑。
在本实施例中，所述改进型U-net分割模型的决策树包括改进型U-net分割模型的节点分裂属性、分裂余树以及节点分裂属性值、分裂余树值。
本发明实施例提供了基于主成分分析法定制改进型U-net分割模型的业务逻辑的方法，如图7所示，示出了基于主成分分析法定制改进型U-net分割模型的业务逻辑方法的实现流程示意图，所述基于主成分分析法定制改进型U-net分割模型的业务逻辑的方法，具体包括：
步骤S3011、初始化U-net分割模型的初始参数；
步骤S3012、基于主成分分析法计算U-net分割模型各个参数的权重；
步骤S3013、通过组织训练集训练剪枝U-net分割模型。
步骤S3014、基于损失函数优化改进型U-net分割模型，定制改进型U-net分割模型的业务逻辑。
在本实施例中，组织训练集训练剪枝U-net分割模型，得到对应的多个剪枝后的U-net分割模型，并基于交叉验证从所有剪枝后的U-net分割模型中选择出最优决策树模型，通过组织训练集训练剪枝U-net分割模型的方法可以为首先将训练集中包含的所有数据输入至所述U-net分割模型内，并在所有数据进入所述U-net分割模型后，分别计算U-net分割模型内每一个节点的损失，之后将每个节点的新损失与每个节点的损失进行大小比较，可以得到裁剪前后的节点损失大小比较结果。然后基于损失大小与预设阈值进行比较，判断是否需要对所述U-net分割模型中节点枝节再次进行裁剪，直到根节点为止。
本发明实施例提供了通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理的方法，如图8所示，示出了通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理方法的实现流程示意图，所述通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理的方法，具体包括：
步骤S401、获取预处理后的像素特征的斑点图集；
步骤S402、基于改进型U-net分割模型提取像素特征的斑点图集的特征；
步骤S403、通过平均池化法去除斑点图集特征的冗余信息；
步骤S404、改进型U-net分割模型的解码器对斑点图集特征进行解码，获得像素分类后的像素标注集。
步骤S405、改进型U-net分割模型的编码器对像素标注集进行重组编码。
在本实施例中，改进型U-net分割模型的编码器工作时，初始输入有多少像素特征，输出就要多少像素特征，像素之间充分映射，并且在输出图像上标注信息，指明每一个像素可能是什么类别。
综上所述，本发明通过对获取到的舌体图像数据预处理，从而使得对舌像边缘图像切割更为准确，同时通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理，得到分割结果，方便了医生对病情进行精准诊断。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。
Claims (8)
1.一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，具体步骤如下：
步骤S10、获取舌体图像数据，其中，舌体图像数据包括基于视觉成像获得的舌体图像集，对舌体图像集进行标注，随机生成图像编号；
步骤S20、对获取到的舌体图像数据预处理，对采集到的舌体图像数据进行降噪处理，得到高分辨率的多组像素特征的斑点图集；
步骤S30、构建改进型U-net分割模型，将舌体图像数据分为训练集、测试集和验证集，对改进型U-net分割模型进行训练、测试和验证；
步骤S40、通过训练好的改进型U-net分割模型对舌体图像数据进行分割处理；
步骤S50、得到分割结果。
2.如权利要求1所述的一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，在步骤S20中，具体包括：
步骤S201、采集舌体图像数据；
步骤S202、对采集到的舌体图像数据基于像素特征分类标准提取各个像素特征的舌体图像分类集；
步骤S203、分别对各个像素特征的舌体图像分类集进行重采样，得到多组像素特征的斑点图集；
步骤S204、对采集到的舌体图像数据进行降噪处理，得到高分辨率的多组像素特征的斑点图集。
3.如权利要求2所述的一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，在步骤S204中，具体方法包括：
步骤S2041、基于公式(1)计算多组像素特征点的总覆盖值Sa；
其中，Rm为单组舌体图像内像素特征点的总数，a为单组像素特征点，Qa为a的覆盖值，Qa的计算公式(2)为：
其中，N为单组舌体图像中栅格总数，maxQa为单组栅格内聚类中心点最大覆盖值，minQa为单组栅格内边缘点最小覆盖值，以聚类中心点到单组栅格内边缘点的三分之一作为σa的值。
4.如权利要求3所述的一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，在步骤S204中，具体方法还包括：
步骤S2042、基于计算的总覆盖值Sa计算单组舌体图像内像素特征点的核密度值Ia，所述核密度值Ia的计算公式(3)为：
其中，μ为核密度概率因子，设定为0.5-0.8，(x，y)为像素特征点a在单组舌体图像的坐标。
5.如权利要求1所述的一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，在步骤S30中，具体包括：
步骤S301、基于主成分分析法定制改进型U-net分割模型的业务逻辑；
步骤S302、通过改进型U-net分割模型的业务逻辑构建改进型U-net分割模型的决策树；
步骤S303、获取改进型U-net分割模型的决策树的节点结构参数，加载训练集、测试集，基于训练集、测试集对节点结构参数进行调整；
步骤S304、基于验证集判断调整后的节点结构参数是否满足改进型U-net分割模型的业务逻辑。
6.如权利要求5所述的一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，在步骤S302中，改进型U-net分割模型的决策树包括改进型U-net分割模型的节点分裂属性、分裂余树以及节点分裂属性值、分裂余树值。
7.如权利要求5所述的一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，在步骤S301中，具体包括：
步骤S3011、初始化U-net分割模型的初始参数；
步骤S3012、基于主成分分析法计算U-net分割模型各个参数的权重；
步骤S3013、通过组织训练集训练剪枝U-net分割模型；
步骤S3014、基于损失函数优化改进型U-net分割模型，定制改进型U-net分割模型的业务逻辑。
8.如权利要求1所述的一种基于融合PCA的U-net模型舌体自动分割方法，其特征在于，在步骤S40中，具体包括：
步骤S401、获取预处理后的像素特征的斑点图集；
步骤S402、基于改进型U-net分割模型提取像素特征的斑点图集的特征；
步骤S403、通过平均池化法去除斑点图集特征的冗余信息；
步骤S404、改进型U-net分割模型的解码器对斑点图集特征进行解码，获得像素分类后的像素标注集；
步骤S405、改进型U-net分割模型的编码器对像素标注集进行重组编码，得到分割后的舌体图像集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310185188.0A CN116071373A (zh) | 2023-03-01 | 2023-03-01 | 一种基于融合PCA的U-net模型舌体自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310185188.0A CN116071373A (zh) | 2023-03-01 | 2023-03-01 | 一种基于融合PCA的U-net模型舌体自动分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116071373A true CN116071373A (zh) | 2023-05-05 |
Family
ID=86171519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310185188.0A Pending CN116071373A (zh) | 2023-03-01 | 2023-03-01 | 一种基于融合PCA的U-net模型舌体自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116071373A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843691A (zh) * | 2023-09-01 | 2023-10-03 | 尚特杰电力科技有限公司 | 光伏板热斑检测方法及存储介质、电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108174162A (zh) * | 2018-01-05 | 2018-06-15 | 河南大学 | 一种基于签到poi的城市视频监控空间优化方法 |
| CN110147779A (zh) * | 2019-05-27 | 2019-08-20 | 宁夏云图勘测规划有限公司 | 一种遥感影像城市建筑物功能分类的方法 |
| CN110532907A (zh) * | 2019-08-14 | 2019-12-03 | 中国科学院自动化研究所 | 基于面象和舌象双模态特征提取的中医人体体质分类方法 |
| CN111862123A (zh) * | 2020-07-29 | 2020-10-30 | 南通大学 | 一种基于深度学习的ct腹部动脉血管分级识别方法 |
| CN112232229A (zh) * | 2020-10-20 | 2021-01-15 | 山东科技大学 | 基于U-net神经网络的精细水体提取方法 |
| CN112365505A (zh) * | 2020-09-30 | 2021-02-12 | 上海导萃智能科技有限公司 | 一种基于编码解码结构的轻量级舌体分割方法 |
| CN113313170A (zh) * | 2021-05-28 | 2021-08-27 | 中国人民解放军战略支援部队航天工程大学 | 基于人工智能的全时全域训练大数据平台 |
| CN114581432A (zh) * | 2022-03-18 | 2022-06-03 | 河海大学 | 一种基于深度学习的舌象仪舌象分割方法 |
-
2023
- 2023-03-01 CN CN202310185188.0A patent/CN116071373A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108174162A (zh) * | 2018-01-05 | 2018-06-15 | 河南大学 | 一种基于签到poi的城市视频监控空间优化方法 |
| CN110147779A (zh) * | 2019-05-27 | 2019-08-20 | 宁夏云图勘测规划有限公司 | 一种遥感影像城市建筑物功能分类的方法 |
| CN110532907A (zh) * | 2019-08-14 | 2019-12-03 | 中国科学院自动化研究所 | 基于面象和舌象双模态特征提取的中医人体体质分类方法 |
| CN111862123A (zh) * | 2020-07-29 | 2020-10-30 | 南通大学 | 一种基于深度学习的ct腹部动脉血管分级识别方法 |
| CN112365505A (zh) * | 2020-09-30 | 2021-02-12 | 上海导萃智能科技有限公司 | 一种基于编码解码结构的轻量级舌体分割方法 |
| CN112232229A (zh) * | 2020-10-20 | 2021-01-15 | 山东科技大学 | 基于U-net神经网络的精细水体提取方法 |
| CN113313170A (zh) * | 2021-05-28 | 2021-08-27 | 中国人民解放军战略支援部队航天工程大学 | 基于人工智能的全时全域训练大数据平台 |
| CN114581432A (zh) * | 2022-03-18 | 2022-06-03 | 河海大学 | 一种基于深度学习的舌象仪舌象分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| FATTAL R等: "Blue-noise point sampling using kernel density model", 《ACM TRANSACTIONS ON GRAPHICS (TOG)》, vol. 30, no. 4, pages 1 - 12 * |
| 何涛等: "PCA与决策树相结合的移动通信欠费预测分析", 《电脑与信息技术》, vol. 12, no. 1, pages 40 - 44 * |
| 傅梦颖等: "基于移动对象轨迹的室内导航网络构建方法", 《地球信息科学学报》, no. 5, pages 5 - 14 * |
| 周豫阳: "改进U-Net的高分辨率遥感影像建筑区变化检测方法", 《世界地质》, vol. 42, no. 1, pages 159 - 167 * |
| 姚发展等: "深度迭代融合的脑部磁共振图像颅骨去除网络", 《中国图象图形学报》, no. 10, pages 225 - 235 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843691A (zh) * | 2023-09-01 | 2023-10-03 | 尚特杰电力科技有限公司 | 光伏板热斑检测方法及存储介质、电子设备 |
| CN116843691B (zh) * | 2023-09-01 | 2024-01-26 | 尚特杰电力科技有限公司 | 光伏板热斑检测方法及存储介质、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11276162B2 (en) | Surface defect identification method and apparatus | |
| CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| US10991091B2 (en) | System and method for an automated parsing pipeline for anatomical localization and condition classification | |
| CN110555836A (zh) | 一种超声图像中胎儿标准切面的自动识别方法和系统 | |
| CN111798440A (zh) | 医学图像伪影自动识别方法、系统及存储介质 | |
| CN110110723B (zh) | 一种图像中目标区域自动提取的方法及装置 | |
| TW202004776A (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| CN113298780B (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
| CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
| CN113139977B (zh) | 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法 | |
| CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| CN116071373A (zh) | 一种基于融合PCA的U-net模型舌体自动分割方法 | |
| CN114638852A (zh) | 基于cbct图像颌骨、软组织识别与重建的方法、装置及介质 | |
| CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
| CN116109558A (zh) | 基于颈部半透明厚度测量值筛查胎儿染色体异常的方法 | |
| CN115527657A (zh) | 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 | |
| CN112784924B (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
| CN111784652B (zh) | 基于强化学习多尺度神经网络的mri分割方法 | |
| CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
| CN112308827A (zh) | 基于深度卷积神经网络的毛囊检测方法 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
| CN114612669B (zh) | 一种医学图像炎症坏死占比的计算方法及装置 | |
| CN116228767A (zh) | 基于计算机视觉的x光肺部肿块图像处理方法 | |
| CN114331996A (zh) | 基于自编码解码器的医学影像分型方法及系统 |
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 |