基于区域注意力机制的有噪样本下中医舌色分类算法研究

目的由于舌色标注样本中常常包含有错误标签,这些噪声样本会导致舌色分类性能不高、模型泛化能力差等问题。因此,需要建立自动舌色分类模型,提升有噪标注样本下舌色分类的准确率,促进中医(TCM)舌诊客观化研究。方法从中医舌色分类的特点出发,提出了一种基于区域注意力机制的有噪样本下中医舌色分类方法。本方法的创新性包括两点:一方面,根据中医医生舌诊的习惯,提出了一种区域注意力机制,增强网络对于舌尖和舌两侧等舌色区域的特征提取能力,而抑制其他区域的特征;另一方面,针对噪声标注样本下的分类网络训练问题,设计了一种对称修正的交叉熵损失函数,用于对舌色分类网络进行优化训练,抑制噪声样本对分类性能的影响。结果在3个自建中医舌色分类数据集上的分类结果显示,准确率分别达到了94.96%、93.36%和93.92%,mAP分别达到了94.53%、93.05%和93.38%,Macro-F1分别达到了94.67%、93.16%和92.43%。结论设计的舌色分类方法能以较低的模型复杂度,显著提升分类精度,提升有噪声样本标注情况下的分类鲁棒性。

清末以前舌色分类与现代舌色分类的比较

目的:探讨清末以前舌色分类与现代舌色分类的差异及演变。方法:采用文献调研的方法,收集清末以前古医籍中和现代医籍中舌色分类的内容。结果:清末以前出现的舌色分类共8类,共计39种舌色描述类型,而现代舌色分类为4类,舌色描述类型仅十余种。现代中医舌色的分类与清代以前比较,黑舌、蓝舌已经消失,一些舌色的描述用语已基本不使用,新出现了淡黯舌和暗红舌的描述。结论:从舌色种类的演变历史来看,舌色的分类经历了一个由简到繁、由繁返约的过程。当前中医临床舌色分类的描述带有很强的主观性,因此对中医舌色的分类需要进一步开展理论研究和色度学的定量研究,以促进其规范化和客观化。

有噪声标注情况下的中医舌色分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一,自动准确的舌色分类是舌诊客观化研究的重要内容。由于不同类别舌色之间的视觉界限存在模糊性以及医生标注者的主观性等,标注的舌象数据中常含有噪声,影响舌色分类模型的训练。为此,该文提出一种有噪声标注情况下的中医舌色分类方法:首先,提出一种两阶段的数据清洗方法,对含有噪声的标注样本进行识别,并进行清洗;其次,设计一种基于通道注意力机制的轻型卷积神经网络,通过增强特征的表达能力,实现舌色的准确分类;最后,提出一种带有噪声样本过滤机制的知识蒸馏策略,该策略中加入了由教师网络主导的噪声样本过滤机制,进一步剔除噪声样本,同时利用教师网络指导轻型卷积神经网络的训练,提升了分类性能。在自建的中医舌色分类数据集上的实验结果表明,该文提出的舌色分类方法能以较低的计算复杂度,显著提升分类的准确率,达到了93.88%。

基于直方图巴氏距离的舌色分类

目的:利用计算机实现对正常舌与异常舌的自动分类。方法:利用彩色舌图像R通道的直方图巴氏距离,计算出正常舌标准图像,并利用该标准图像计算各舌图像的直方图巴氏距离,最后通过最小距离分类器实现对正常舌与异常舌的自动分类。结论:该方法可以准确地实现正常舌与异常舌的自动分类。

基于深度学习的舌体图像分割和舌色分类研究

目的为了提高计算机辅助舌诊的准确率,提出了两种基于深度学习的新方法,分别用于舌体图像分割和舌色分类。方法利用LabelMe对舌体掩码进行标注,并利用Snake模型优化标注结果,构建新的舌体分割数据集。通过标注舌色为之后的网络训练构建舌象分类数据集。在本研究中,结合现有的UNet、Inception和空洞卷积提出用于舌体分割的Inception+空洞卷积空间金字塔池化(ASPP)+UNet(IAUNet)。此外,参考Res-Net、Inception和Triplet-Loss构建用于舌色分类网络的Tongue Color Classification Net(TCCNet)。选取一系列重要的度量因子用于评估和比较新的和现有的舌体分割方法和舌色分类方法的效果。针对舌体分割使用IAUNet与UNet、DeepLabV3+等现有主流方法进行对比实验;针对舌色分类使用TCCNet与VGG16和GoogLeNet等进行对比实验。结果IAUNet能够精确地从原始图像中分割出舌体。结果表明,IAUNet的平均交并比(MIoU)达到了96.30%,平均像素精度(MPA)、平均精度均值(mAP)、F1-Score、G-Score和曲线下面积(AUC)值分别达到97.86%、99.18%、96.71%、96.82%和99.71%,表明IAUNet的分割效果优于其他方法,且所用参数更少。TCCNet在舌色分类中引入Triplet-Loss并用于将不同类的嵌入分离,取得了理想的实验效果,TCCNet的F1-Score和mAP分别达到88.86%和93.49%。结论基于深度学习的舌体分割方法IAUNet优于传统方法,能够实现较为理想的舌体分割,分割效果优于PSPNet、SegNet、UNet和DeepLabV3+。舌色分类网络TCCNet相较于其他分类神经网络如VGG16和GoogLeNet,在F1-Score和mAP等指标上都表现得更为优异。

基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。

基于色度学的舌色分类研究现状与分析

目的探讨基于色度学的舌色分类研究现状,为数字舌图的舌色分类研究提供依据与参考。方法回顾性分析22项舌色分类研究的数据,将舌色的色度值统一转化为L值、a值、b值、C值、H值,进行各类舌色的色度值比较,并观察各类舌色在国际照明委员会(CIE)提出的颜色-对立空间模型(CIELAB)和明度彩度色调颜色模型(CIELCH)的分布,采用K均值聚类的方法,对不同研究者报道的舌色色度值进行聚类分析,并作色差比较。结果 22篇文章共报道了11类舌色:淡白舌、淡红舌、红舌、红绛舌、暗红舌、淡紫舌、紫红舌、青紫舌、紫舌、绛紫舌、紫暗舌。11类舌色的亮度在45～60之间,色相角在8°～27°和320°～355°之间,饱和度在17～36之间。从淡白舌到淡红舌、红舌、红绛舌、暗红舌,观察到有规律的色度值变化,表现为L值逐渐下降,而a值逐渐升高的趋势。以聚类中心位置的色度值为比较的基准,色差的范围在2.44～19.70之间。结论色度学为中医将舌诊的色觉经验进一步升华为量化色诊提供了关键的理论与技术。但不同研究者报道的色度值差异较大,也提示应当尽快制定数字舌图采集与色彩校正的规范方案与流程,使获得的舌色色度值能够在公共平台进行有效交流。

基于BP神经网络的舌色和苔色自动分类研究

舌诊是中医四诊中望诊的重要内容,是中医临床诊断的主要判别依据之一。而舌色和苔色,是舌诊的主要研究内容。文章首先利用计算机技术对舌体图像实现舌质和舌苔的分离,再根据位置信息判别舌质和舌苔模板,并分别获取舌质区和舌苔区颜色信息,最后通过神经网络实现舌色和苔色的自动分类。