CN117593591A - 一种基于医学图像分割的舌象分类方法 - Google Patents
一种基于医学图像分割的舌象分类方法 Download PDFInfo
- Publication number
- CN117593591A CN117593591A CN202410060880.5A CN202410060880A CN117593591A CN 117593591 A CN117593591 A CN 117593591A CN 202410060880 A CN202410060880 A CN 202410060880A CN 117593591 A CN117593591 A CN 117593591A
- Authority
- CN
- China
- Prior art keywords
- image
- tongue
- frequency domain
- time
- tongue picture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003709 image segmentation Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 11
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 10
- 238000013136 deep learning model Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明提出了一种基于医学图像分割的舌象分类方法,涉及图像分析技术领域,针对舌象图像包含信息较多,导致深度学习模型运算效率较低,以及现有模型分类准确度不高的问题,本发明首先对舌象图像提取感兴趣区域图像,然后对感兴趣区域图像进行像素行平滑预处理,在尽可能保持感兴趣图像的有用特征的前提下,减少了感兴趣区域的信息量,再将经过预处理后的感兴趣区域图像输入至深度学习模型中,运算量较少,提高了舌象分类效率;在进行舌象分类时,本发明设计了一种改进的神经网络模型,与传统的深度神经网络相比,本发明的深度神经网络可以提高舌象分割过程中产生的输出,也可以获得所述舌象图像的边缘知识,从而提高舌象分类的准确度。
Description
技术领域
本发明涉及图像分析技术领域,尤其涉及一种基于医学图像分割的舌象分类方法。
背景技术
舌象是指人的舌头的表象,舌象作为身体状况的表征中的一种,通过观察舌象的状态例如舌苔的颜色、厚度等可以指示人体等多种信息。当前,对于舌象的观察主要是通过医生对舌部表面进行直接的观看,根据“舌质”与“舌苔”进行评估,但是由于医生诊疗技能水平高低不齐以及外界环境条件变化等客观因素,直接影响到对舌象的判断结果,使得舌诊的标准化、流程化不够,进而对舌诊客观化进程造成阻碍。通过引入计算机技术,实现针对舌体图像定性、定量的研究,实现对舌象特征的自动化识别,提升针对舌象预处理阶段中类似舌象分割、舌色校正等的处理效果,同时提升舌象计算阶段中针对舌体的特征或分类计算的准确度,例如中国发明专利(CN112489053B)公开了一种舌象分割方法,该方法包括:对每个舌象图像标注出背景区域和舌体区域,其像素值分别记为0和1;利用标注的舌象图像集训练二分类语义分割网络模型;将目标图像输入到二分类语义分割网络模型中,得到大小相同的第一二值化预测图像,背景区域的像素值为0,舌体区域的为1;检测图像中的连通区域,保留面积最大的,并将其他连通区域的像素值由1调整为0;按行扫描,计算每行从左到右第一个像素值为1的坐标及最后一个像素值为1的坐标,扫描这两个坐标之间的像素值,当发现不为1的坐标a时,则将a对应的像素值调整为1;将像素值为0的坐标对应的颜色值调整为统一颜色,从而生成目标舌体分割图像;然而,上述方案在采用二分类语义分割网络模型对舌象分割时,由于舌像图像的有用特征主要集中在列方向上,现有技术中的图像滤波等过滤干扰的方式容易造成有用信息丢失的情况,且分割模型本身精度不高,存在分割准确度不高的问题。
因此,对基于深度学习的舌象分类方法的研究依然十分必要。
发明内容
为解决上述问题,本发明提供一种基于医学图像分割的舌象分类方法,具体包括如下步骤:
步骤S1,舌象采集:获取舌象的时频域图像;
步骤S2,提取感兴趣区域:对所述时频域图像进行标注,获取所述时频域图像的舌象等级和所述时频域图像感兴趣区域;
步骤S3,图像预处理:对所述感兴趣区域进行像素行平滑预处理;
步骤S4,模型训练:通过所述预处理后的图像和所述舌象等级对改进的深度神经网络模型进行训练;
步骤S5,模型评估:若所述改进的深度神经网络模型的输出结果正确率大于预设值,则训练完成,将所述改进的深度神经网络模型作为舌象分类模型,否则继续训练;
步骤S6,舌象分类:获取检测的舌象的时频域图像,将所述时频域图像输入所述舌象分类模型,获取舌象分类结果。
进一步的,所述步骤S1中,通过图像采集平台对舌象的时频域图像进行采集,所述图像采集平台包括相机、云台、计算机和外部光源。
进一步的,所述时频域图像的尺寸为x×y×z,其中x为图像的长,y为图像的宽,z为反射率。
进一步的,所述步骤S3中,所述像素行平滑预处理具体为:
对于感兴趣区域中的每一个像素点,选择一个1×n的窗口,计算所述窗口内的n个像素的灰度值均值,将所述灰度值均值代替该像素点的灰度值,从而实现像素行平滑预处理。
进一步的,所述步骤S4中,所述改进的深度神经网络模型包括下采样层和上采样层,所述上采样层和所述下采样层中间使用填充卷积来保持输出图像和输入图像的形状相同和尺寸相同。
进一步的,所述下采样层为3层,包括2个3×3的卷积层和1个2×2的池化层,所述上采样层为3层,包括2个3×3的卷积层和1个2×2的去卷积层。
进一步的,所述改进的深度神经网络模型采用的骨干网络的公式为:
;
其中,表示将像素i预测为ni的概率;/>表示将像素i和像素j同时预测为ni和nj的概率。
进一步的,所述改进的深度神经网络模型的边缘感知损失函数公式为:
;
其中,x是输入图像,y是预测结果,Fi(x)和Fi(y)分别表示它们在神经网络中的第i层的特征表示,N是特征层数。
一种基于医学图像分割的舌象分类系统,使用如上任一项所述的基于医学图像分割的舌象分类方法,包括以下模块:
舌象采集模块:通过图像采集平台对舌象的时频域图像进行采集,所述图像采集平台包括相机、云台、计算机和外部光源;
标注模块:与所述舌象采集模块连接,用于对所述时频域图像进行标注,获取所述时频域图像的舌象等级和所述时频域图像感兴趣区域;
图像预处理模块:与所述标注模块连接,用于对所述感兴趣区域进行像素行平滑预处理;
舌象分类模型:与所述图像预处理模块连接,用于根据所述预处理后的图像和所述舌象等级对改进的深度神经网络模型进行训练,若所述改进的深度神经网络模型的输出结果正确率大于预设值,则训练完成,将所述改进的深度神经网络模型作为舌象分类模型,否则继续训练;
输出模块:与所述舌象分类模型连接,用于将待检测的舌象的时频域图像,将所述时频域图像输入所述舌象分类模型,输出舌象分类结果。
一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如上任一项所述的基于医学图像分割的舌象分类方法的步骤。
与现有技术相比较,本申请的有益效果在于:
其一,本发明首先对舌象图像提取感兴趣区域图像,然后对感兴趣区域图像进行像素行平滑预处理,在尽可能保持感兴趣区域图像的有用特征的前提下,减少了感兴趣区域的行方向的干扰信息量,再将经过预处理后的感兴趣区域图像输入至深度学习模型中,可有效提高舌像分割准确度。
其二,本发明对神经网络模型进行改进,设计了一种新的神经网络模型,与传统的深度神经网络相比,本发明的深度神经网络可以提高舌象分割过程中产生的输出,也可以获得所述舌象图像的边缘知识,从而提高舌象分类的准确度。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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。
图1为本发明实施例1的基于医学图像分割的舌象分类方法执行流程图;
图2为本发明实施例2的基于医学图像分割的舌象分类系统结构示意图。
具体实施方式
下面将结合附图对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
本领域技术人员应当知晓,下述具体实施例或具体实施方式,是本申请为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的,除非在本申请明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时,下述的具体实施例或实施方式仅作为最优化的设置方式,而不作为限定本申请的保护范围的理解。
下面结合附图(表)对本申请的具体实施方式做出说明。
针对舌象图像包含信息较多,导致深度学习模型运算效率较低,以及现有的深度学习模型分类准确度不高的问题,本发明提出了一种基于医学图像分割的舌象分类方法,首先对舌象图像提取感兴趣区域图像,然后对感兴趣区域图像进行像素行平滑预处理,在尽可能保持感兴趣区域图像的有用特征的前提下,减少了感兴趣区域的行方向的干扰信息量,再将经过预处理后的感兴趣区域图像输入至深度学习模型中,可有效提高舌像分割准确度;在进行舌象分类时,本发明设计了一种改进的神经网络模型,可以提高舌象分割过程中产生的输出,采用边缘感知损失函数,也可以加强对边缘信息的考虑,进而提高分类的准确度。
实施例1
本发明提出了一种基于医学图像分割的舌象分类方法,具体包括如下步骤:
步骤S1,舌象采集:获取舌象的时频域图像。
首先搭建图像采集平台,通过图像采集平台对舌象的时频域图像进行采集,所述图像采集平台包括相机、云台、计算机和外部光源。其中相机的光谱波长范围为400-1000nm,时频域分辨率为5nm,经过相机采集得到的图像分辨率为600×400;云台的固定部分主要是为了保证相机在采集过程中保持固定的姿态,从而保证采集到的时频域图像清晰准确;计算机控制部分主要控制时频域图像的采集参数和数据存储,如曝光时间、扫描范围和扫描速度等;外部光源部分主要是使采集环境的照明均匀,确保所有采集过程中照明环境的统一,并最大限度地避免由外部照明环境的变化引起的数据噪声。
所述时频域图像的尺寸为x×y×z,其中x为图像的长,y为图像的宽,z为反射率。
对所有参与采集的志愿者采集他们的时频域舌头图像,这样就得到了三维时频域舌状体图像数据,获得的图像数据的尺寸为600×400×128,其中,x和y轴表示600×400的空间分辨率,z轴的128指的是波长维度,表示不同波长下的反射率值。
为了进一步减少环境噪声的干扰,对采集的原始时频域舌象数据进行黑白验证,并对相应的反射率进行归一化。假设原始时频域舌象数据为I,黑白验证后的时频域舌象数据为R,黑色验证(无光源,光谱反射率为0)为B,白色验证(借助白色验证板,使反射率接近99%)为W,则黑白校准的具体的计算公式为。保留通过黑白验证的时频域舌象,删除未通过验证的图像,进一步保证了获取的数据集的质量。
步骤S2,提取感兴趣区域:对所述时频域图像进行标注,获取所述时频域图像的舌象等级和所述时频域图像感兴趣区域。
得到舌象的时频域图像后,采用两名医生来标注所有舌头时频域图像的舌象等级,具体的舌象等级分为从0到5的6个等级,其中0级代表正常舌象,1级代表无附着物舌象,2级代表白腻舌象,3级代表黄色舌象,4级代表黄腻舌象,5级代表灰黑色舌象。如果两名对相同舌象标注的结果不一致,就请第三位专家进行审查,最后得出时频域图像数据集的舌象分类等级。
从所有时频域舌象图像中提取感兴趣区域,提取的感兴趣区域大小设置为像素。
步骤S3,图像预处理:对所述感兴趣区域进行像素行平滑预处理。
由于本实施例是用于对舌象分类,而舌象中的列像素更能反映舌象的特征信息,对分类影响较大,因此,本实施例为了减少感兴趣区域的干扰信息含量,对所述感兴趣区域进行像素行平滑预处理;
具体地,所述像素行平滑预处理具体为:
对于感兴趣区域中的每一个像素点,选择一个1×n的窗口,计算所述窗口内的n个像素的灰度值均值,将所述灰度值均值代替该像素点的灰度值,从而实现像素行平滑预处理。
实际上,经过像素行平滑预处理,可以在尽可能保留感兴趣区域图像的有用特征的前提下,减少了感兴趣区域的行方向的噪声;而由于舌像感兴趣区域的主要特征分布在列方向上,因此,本实施例,仅对感兴趣区域图像在行方向上滤波,以过滤噪声,为了尽可能地减少对分类特征造成的干扰,不对列方向滤波,从而在尽可能保留有用特征的前提下实现滤波,进而提高舌像图像分类的准确度。
步骤S4,模型训练:通过所述预处理后的图像和所述舌象等级对改进的深度神经网络模型进行训练。
为了更有效地提取舌象的特征信息并执行图像分割过程,采用一种改进的神经网络对舌象数据集进行图像特征提取、处理和训练。
所述改进的深度神经网络模型的改进之处在于:所述改进的深度神经网络模型的采样层包括下采样层和上采样层,所述上采样层和所述下采样层中间使用填充卷积来保持输出图像和输入图像的形状相同和尺寸相同。
具体地,所述下采样层为3层,包括2个3×3的卷积层和1个2×2的池化层,所述上采样层为3层,包括2个3×3的卷积层和1个2×2的去卷积层。
进一步地,所述改进的深度神经网络模型的改进之处还在于对骨干网络的改进,具体地,所述改进的深度神经网络模型采用的骨干网络的公式为:
;
其中,表示将像素i预测为ni的概率,代表了像素自身的能量;/>表示将像素i和像素j同时预测为ni和nj的概率,代表了两个相邻像素之间的能量。
在本实施例中,所述骨干网络采用分类器预测交叉熵,并且约束了像素之间的几何关系和颜色关系,进一步提高模型预测结果的准确性。
所述改进的深度神经网络模型的边缘感知损失函数公式为:
;
其中,x是输入图像,y是预测结果,Fi(x)和Fi(y)分别表示它们在神经网络中的第i层的特征表示,N是特征层数。
最终得到可以用来做舌象分类的深度神经网络模型,在本实施例中,与传统的深度神经网络相比,本步骤的深度神经网络可以提高舌象分割过程中产生的输出,也可以获得所述舌象图像的边缘知识,从而提高舌象分类的准确度。
步骤S5,模型评估:若所述改进的深度神经网络模型的输出结果正确率大于预设值,则训练完成,将所述改进的深度神经网络模型作为舌象分类模型,否则回到所述步骤S4继续训练。
对于深度神经网络的训练效果评估,本发明采用召回率和F1评分作为正确率指标来评估深度神经网络模型的性能。当然,现有技术中对训练效果评估的方法已经很成熟,在实际应用中,可以选择其他方法进行评估。
步骤S6,舌象分类:获取检测的舌象的时频域图像,将所述时频域图像输入所述舌象分类模型,获取舌象分类结果。
值得注意的是,在本实施例中,通过深度学习模型获取得到图像分类结果,这只是人工智能模型输出的中间结果,全程没有医生的参与,并且,所述图像分类结果还需要医生综合根据待检测对象的其他信息,才能得到诊断结论,因此,本发明不涉及疾病的诊断与治疗的范畴。
实施例2
如图2所示,本发明还提出一种基于医学图像分割的舌象分类系统,使用如实施例1任一项所述的基于医学图像分割的舌象分类方法,包括以下模块:
舌象采集模块:通过图像采集平台对舌象的时频域图像进行采集,所述图像采集平台包括相机、云台、计算机和外部光源;
标注模块:与所述舌象采集模块连接,用于对所述时频域图像进行标注,获取所述时频域图像的舌象等级和所述时频域图像感兴趣区域;
图像预处理模块:与所述标注模块连接,用于对所述感兴趣区域进行像素行平滑预处理;
舌象分类模型:与所述图像预处理模块连接,用于根据所述预处理后的图像和所述舌象等级对改进的深度神经网络模型进行训练,若所述改进的深度神经网络模型的输出结果正确率大于预设值,则训练完成,将所述改进的深度神经网络模型作为舌象分类模型,否则继续训练;
输出模块:与所述舌象分类模型连接,用于将待检测的舌象的时频域图像,将所述时频域图像输入所述舌象分类模型,输出舌象分类结果。
实施例3
一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如实施例1任一项所述的基于医学图像分割的舌象分类方法的步骤。
实施例4
一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序指令,所述计算机程序指令使计算机执行如实施例1任一项所述的基于医学图像分割的舌象分类方法的步骤。
通过上述实施例,可以达到如下的有益效果:
(1)本发明首先对舌象图像提取感兴趣区域图像,然后对感兴趣区域图像进行像素行平滑预处理,在尽可能保持感兴趣区域图像的有用特征的前提下,减少了感兴趣区域的行方向的干扰信息量,再将经过预处理后的感兴趣区域图像输入至深度学习模型中,可有效提高舌像分割准确度。
(2)本发明对神经网络模型进行改进,设计了一种新的神经网络模型,与传统的深度神经网络相比,本发明的深度神经网络可以提高舌象分割过程中产生的输出,也可以获得所述舌象图像的边缘知识,从而提高舌象分类的准确度。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于医学图像分割的舌象分类方法,其特征在于,具体包括如下步骤:
步骤S1,舌象采集:获取舌象的时频域图像;
步骤S2,提取感兴趣区域:对所述时频域图像进行标注,获取所述时频域图像的舌象等级和所述时频域图像感兴趣区域;
步骤S3,图像预处理:对所述感兴趣区域进行像素行平滑预处理;
步骤S4,模型训练:通过所述预处理后的图像和所述舌象等级对改进的深度神经网络模型进行训练;
步骤S5,模型评估:若所述改进的深度神经网络模型的输出结果正确率大于预设值,则训练完成,将所述改进的深度神经网络模型作为舌象分类模型,否则继续训练;
步骤S6,舌象分类:获取检测的舌象的时频域图像,将所述时频域图像输入所述舌象分类模型,获取舌象分类结果。
2.根据权利要求1所述的一种基于医学图像分割的舌象分类方法,其特征在于,所述步骤S1中,通过图像采集平台对舌象的时频域图像进行采集,所述图像采集平台包括相机、云台、计算机和外部光源。
3.根据权利要求1所述的一种基于医学图像分割的舌象分类方法,其特征在于,所述时频域图像的尺寸为x×y×z,其中x为图像的长,y为图像的宽,z为反射率。
4.根据权利要求1所述的一种基于医学图像分割的舌象分类方法,其特征在于,所述步骤S3中,具体地,所述像素行平滑预处理具体为:
对于感兴趣区域中的每一个像素点,选择一个1×n的窗口,计算所述窗口内的n个像素的灰度值均值,将所述灰度值均值代替该像素点的灰度值,从而实现像素行平滑预处理。
5.根据权利要求1所述的一种基于医学图像分割的舌象分类方法,其特征在于,所述步骤S4中,所述改进的深度神经网络模型包括下采样层和上采样层,所述上采样层和所述下采样层中间使用填充卷积来保持输出图像和输入图像的形状相同和尺寸相同。
6.根据权利要求5所述的一种基于医学图像分割的舌象分类方法,其特征在于,所述下采样层为3层,包括2个3×3的卷积层和1个2×2的池化层,所述上采样层为3层,包括2个3×3的卷积层和1个2×2的去卷积层。
7.根据权利要求1所述的一种基于医学图像分割的舌象分类方法,其特征在于,所述改进的深度神经网络模型采用的骨干网络的公式为:
;
其中,表示将像素i预测为ni的概率;/>表示将像素i和像素j同时预测为ni和nj的概率。
8.根据权利要求1所述的一种基于医学图像分割的舌象分类方法,其特征在于,所述改进的深度神经网络模型的边缘感知损失函数公式为:
;
其中,x是输入图像,y是预测结果,Fi(x)和Fi(y)分别表示它们在神经网络中的第i层的特征表示,N是特征层数。
9.一种基于医学图像分割的舌象分类系统,使用如权利要求1至8任一项所述的基于医学图像分割的舌象分类方法,其特征在于,包括以下模块:
舌象采集模块:通过图像采集平台对舌象的时频域图像进行采集,所述图像采集平台包括相机、云台、计算机和外部光源;
标注模块:与所述舌象采集模块连接,用于对所述时频域图像进行标注,获取所述时频域图像的舌象等级和所述时频域图像感兴趣区域;
图像预处理模块:与所述标注模块连接,用于对所述感兴趣区域进行像素行平滑预处理;
舌象分类模型:与所述图像预处理模块连接,用于根据所述预处理后的图像和所述舌象等级对改进的深度神经网络模型进行训练,若所述改进的深度神经网络模型的输出结果正确率大于预设值,则训练完成,将所述改进的深度神经网络模型作为舌象分类模型,否则继续训练;
输出模块:与所述舌象分类模型连接,用于将待检测的舌象的时频域图像,将所述时频域图像输入所述舌象分类模型,输出舌象分类结果。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至8任一项所述的基于医学图像分割的舌象分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410060880.5A CN117593591A (zh) | 2024-01-16 | 2024-01-16 | 一种基于医学图像分割的舌象分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410060880.5A CN117593591A (zh) | 2024-01-16 | 2024-01-16 | 一种基于医学图像分割的舌象分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117593591A true CN117593591A (zh) | 2024-02-23 |
Family
ID=89922241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410060880.5A Pending CN117593591A (zh) | 2024-01-16 | 2024-01-16 | 一种基于医学图像分割的舌象分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593591A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539991A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 用于虹膜识别的有效图像区域检测和分割方法 |
CN111028177A (zh) * | 2019-12-12 | 2020-04-17 | 武汉大学 | 一种基于边缘的深度学习图像去运动模糊方法 |
CN112330682A (zh) * | 2020-11-09 | 2021-02-05 | 重庆邮电大学 | 一种基于深度卷积神经网络的工业ct图像分割方法 |
CN113793282A (zh) * | 2021-09-17 | 2021-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种空间相机传函测试图像莫尔条纹模糊去除方法 |
CN115410046A (zh) * | 2022-09-22 | 2022-11-29 | 河南科技大学 | 基于深度学习的皮肤病舌象分类模型、建立方法及应用 |
KR20220164097A (ko) * | 2021-06-03 | 2022-12-13 | 주식회사 크레스콤 | 분류 및 분할을 이용한 의료 영상 분석 방법, 장치 및 컴퓨터 프로그램 |
CN116824252A (zh) * | 2023-06-28 | 2023-09-29 | 广东省新黄埔中医药联合创新研究院 | 高光谱舌象图像的中医舌色分类量化方法 |
CN116849612A (zh) * | 2023-07-07 | 2023-10-10 | 广东省新黄埔中医药联合创新研究院 | 一种多光谱舌象图像采集分析系统 |
-
2024
- 2024-01-16 CN CN202410060880.5A patent/CN117593591A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539991A (zh) * | 2008-03-20 | 2009-09-23 | 中国科学院自动化研究所 | 用于虹膜识别的有效图像区域检测和分割方法 |
CN111028177A (zh) * | 2019-12-12 | 2020-04-17 | 武汉大学 | 一种基于边缘的深度学习图像去运动模糊方法 |
CN112330682A (zh) * | 2020-11-09 | 2021-02-05 | 重庆邮电大学 | 一种基于深度卷积神经网络的工业ct图像分割方法 |
KR20220164097A (ko) * | 2021-06-03 | 2022-12-13 | 주식회사 크레스콤 | 분류 및 분할을 이용한 의료 영상 분석 방법, 장치 및 컴퓨터 프로그램 |
CN113793282A (zh) * | 2021-09-17 | 2021-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种空间相机传函测试图像莫尔条纹模糊去除方法 |
CN115410046A (zh) * | 2022-09-22 | 2022-11-29 | 河南科技大学 | 基于深度学习的皮肤病舌象分类模型、建立方法及应用 |
CN116824252A (zh) * | 2023-06-28 | 2023-09-29 | 广东省新黄埔中医药联合创新研究院 | 高光谱舌象图像的中医舌色分类量化方法 |
CN116849612A (zh) * | 2023-07-07 | 2023-10-10 | 广东省新黄埔中医药联合创新研究院 | 一种多光谱舌象图像采集分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977671B (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
CN113919442B (zh) | 一种基于卷积神经网络烟叶成熟度状态识别方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN110853009A (zh) | 基于机器学习的视网膜病理图像分析系统 | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
Huo et al. | Tongue shape classification integrating image preprocessing and convolution neural network | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN115830585A (zh) | 一种基于图像增强的港口集装箱号识别方法 | |
Zhong et al. | Multi-scale attention generative adversarial network for medical image enhancement | |
CN117197064A (zh) | 一种无接触眼红程度自动分析方法 | |
CN116310358A (zh) | 铁路货车螺栓丢失检测方法、存储介质及设备 | |
CN117593591A (zh) | 一种基于医学图像分割的舌象分类方法 | |
CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
Wang et al. | An efficient hierarchical optic disc and cup segmentation network combined with multi-task learning and adversarial learning | |
CN115862003A (zh) | 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法 | |
Zhou et al. | An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal | |
Yue et al. | Deep Pyramid Network for Low-light Endoscopic Image Enhancement | |
CN114972148A (zh) | 一种眼底图像质量评估方法、系统及其装置 | |
CN108133467B (zh) | 基于粒计算的水下图像增强系统及增强方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN117437514B (zh) | 一种基于CycleGan的阴道镜图像模态转换方法 | |
CN114255203B (zh) | 一种鱼苗数量估计方法及系统 |
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 |