基于深度学习的舌裂分割算法研究

中医舌诊可以通过舌面裂纹的测量了解身体的健康状况。考虑到采集图片分辨率不同、质量差异较大、背景复杂且不同患者舌头颜色纹理不同等因素,传统分割算法难以得到较好的结果。提出一种基于深度学习的、面向小样本数据集的舌裂分割算法。分割时先分割舌面,再进行舌面裂纹分割,以规避较为复杂的背景影响。使用迁移学习的方法将路面裂纹训练模型迁移至舌面裂纹;改进U-Net网络结构,在传递拼接路径增加SE模块以提高分割的准确性和鲁棒性;训练时使用Focal Loss(焦点损失)函数作为损失函数,使网络更加关注小目标的分割,从而提升整体分割效果。实验表明,本文方法具有更强的鲁棒性,能够应对背景、光照、纹理等图片质量问题,其MPA(平均像素精度)能够达到71.06%,MIoU(均交并比)能够达到67.35%,在视觉效果上有更好的表现。实验和对比结果也表明,该分割方法具有较高的准确性和稳定性。

基于舌图像多特征融合与机器学习的裂纹舌识别算法

舌裂纹是中医舌诊辨证施治的重要信息源,能够客观、准确地反映某些典型疾病和中医证候的变化。针对传统的裂纹舌诊断易受医生经验、环境变化等因素的影响,提出了基于舌图像多特征融合与机器学习的裂纹舌识别算法。首先,采用Grabcut方法对原始舌图像进行舌体分割;然后,提取图像基于灰度共生矩阵的纹理特征,基于低阶颜色矩的颜色特征,以及基于方向梯度直方图的形状特征;最后,将三类特征及其不同的组合形式分别输入四个经典的机器学习模型,完成裂纹舌识别。实验结果表明:多特征融合往往有助于提高机器学习模型的识别能力,尤其是融合三类特征的自适应提升树(AdaBoost)取得了几乎能与深度学习模型相媲美的识别效果:AUC为0.97,准确率为0.91,精确率为0.91。可见,提出的裂纹舌识别算法有助于传统中医舌诊的客观化、定量化和标准化。