深度学习在舌象分类中的研究综述

随着技术的快速发展和计算能力的提高,深度学习在舌象分类领域将得到广泛的应用。舌诊图像的舌象分类是中医舌诊客观化的重要组成部分。传统的舌诊是在基础理论的指导下,借助个人经验所做出的理解和判断,因而会具有一定的差异性和模糊性,影响诊断的可重复性。为了减少主观判断的误差,许多研究人员致力于通过深度学习实现中医舌诊的客观化、定量化和自动化。主要对基于深度学习的舌象分类方法研究现状进行分析梳理和归纳总结。在舌象分类研究中,以各类深度学习方法作为研究对象,将其划分为基于早期神经网络、卷积神经网络、区域卷积神经网络、迁移学习以及其他方法进行总结分析;对舌诊中的中医证候和疾病以及体质分类进行了讨论;用Kaggle上的公开舌诊数据集进行5折交叉验证实验,数据集为小样本齿痕舌,评估了基于深度学习和迁移学习分类方法;对舌诊图像质量、构建数据集方式、特征提取、单标签和多标签分类的研究发展进行了探讨和展望。

适用于面诊图像分割的轻量级网络

目前,面诊图像脏腑分布区域的分割大多采取传统分割方法或重量级分割网络,存在鲁棒性不强或实时性差的不足。针对上述问题,提出一种结合空洞卷积、通道重排、通道分割和非对称卷积的瓶颈结构,并基于此结构构建一种轻量级面诊图像实时语义分割网络。首先,通过通道分割方法分割通道,分别对分离得到的通道进行非对称卷积和空洞非对称卷积,以实现减少参数量的同时密集提取特征;其次,采用通道重排技术对处理后分离的通道进行重排,以实现通道之间的信息交互;然后,利用残差与输入特征进行连接,丰富特征信息。此外,针对中医面部五脏反射区域存在模糊边界而导致分割效果不佳的问题,提出一种加权边界感知损失函数,在模型训练的过程中给区域边界的像素赋予更大的权重。在单个GTX 1080 GPU上对面诊图像数据集进行实验,总体像素准确率、平均交并比和F1分数分别达到98.34%,86.76%和92.81%,推理速度达到57 f/s,取得整体对比最佳的分割性能。实验结果表明,所提方法能够在保证分割精度的同时实现实时分割。

基于文献计量学和文本分析法的智能中医面诊分区方法系统性综述

面诊客观化研究通过近年来不断发展,已经成为多学科多领域交叉的研究主题之一。但大部分研究注重对面诊图像算法的调整与采集环境及设备的设计,缺乏对面诊分区方法的系统性研究。本文旨在对现阶段基于机器学习的智能中医面诊分区研究文献中存在的问题进行讨论并提出建议,为后续的相关研究提供参考。文章运用文献计量学方法和文本分析法进行梳理分析,整理归纳出目前智能中医面诊分区方法,主要包括基于面部特征点、基于面部特征块和基于完整面部;然后通过分析面诊分区研究的影响因素并对常用的机器学习算法进行归纳,得到不同机器学习算法的优缺点以及对应的常用面诊分区方法;最后对现阶段面诊分区研究中的数据集构建、深度学习的优势以及面诊理论的体现三个方面进行讨论。