基于深度迁移学习的舌象特征分类方法研究

舌象分析是计算机视觉技术在中医望诊的客观化、定量化应用研究中的一个重要课题,其中2个关键步骤是舌体分割和舌象分类.通过级联分类器在原始图像上实现自动舌体定位,再将分割后的舌体图像在GoogLeNet和ResNet上进行深度迁移学习训练,用得到的深度网络对齿痕、裂纹和舌苔厚薄3种主要舌象特征进行分类.从中医医疗机构中获取2245幅舌体图像建立数据集,对齿痕、裂纹和舌苔厚薄3类舌体图像进行分类实验,结果表明,所提方法分类性能优于传统的舌体图像特征分类方法,验证了基于深度迁移学习的舌象特征分类方法的有效性.     

深度学习的舌体分割研究综述

舌体分割是智能医学诊断的重要组成部分,其目的是通过分割舌诊图像生成精准的舌体轮廓.近年来,深度学习方法在图像处理领域得到了广泛的应用并取得了较好的结果.随着医学图像分割对性能的要求越来越高,许多研究人员将深度学习运用到舌体分割中.主要对基于深度学习的舌体分割方法研究现状进行分析梳理和归纳总结.在舌体分割应用领域中,以各种深度学习方法作为研究对象,将基于深度学习的舌体分割方法划分为卷积神经网络(CNN)、全卷积网络(FCN)、卷积模型与图形模型、基于编解码器的模型、基于区域卷积网络模型、扩张卷积模型结构、迁移学习以及其他方法.在每类方法中,针对其改进和扩展的研究成果进行了全面的论述,总结分析其优势与不足;并对基于深度学习的舌体分割常用的数据集和评价指标进行了视觉比较与性能评估;最后讨论了未来研究工作中的发展潜力.     

面向舌体分割的两阶段卷积神经网络设计

目的 由于舌体与周围组织颜色相似,轮廓模糊,传统的分割方法难以精准分割舌体,为此提出一种基于两阶段卷积神经网络的舌体分割方法。方法 首先,在粗分割阶段,将卷积层和全连接层相结合构建网络Rsnet,采用区域建议策略得到舌体候选框,从候选框中进一步确定舌体,从而实现对舌体的定位,去除大量的干扰信息;然后,在精分割阶段,将卷积层与反卷积层相结合构建网络Fsnet,对粗分割舌象中的每一个像素点进行分类进而实现精分割;最后,采用形态学相关算法对精分割后的舌体图像进行后续处理,进一步消除噪点和边缘粗糙点。结果 本文构建了包含2 764张舌象的数据集,在该数据集上进行五折交叉实验。实验结果表明,本文算法能够取得较为理想的分割结果且具有较快的处理速度。选取了精确度、召回率及F值作为评价标准,与3种常用的传统分割方法相比,在综合指标F值上分别提高了0.58、0.34、0.12,效率上至少提高6倍,与同样基于深度学习思想的MNC（multi-task network cascades）算法相比,在F值上提高0.17,效率上提高1.9倍。结论 将基于深度学习的方法应用到舌体分割中,有利于实现舌象的准确、鲁棒、快速分割。在分割之前,先对舌体进行定位,有助于进一步减少分割中的错分与漏分。实验结果表明,本文算法有效提升了舌体分割的准确性,能够为后续的舌象自动识别和分析奠定坚实的基础。     

图像分割技术在中医舌诊中的应用

舌诊是传统中医辨症论治的重要手段之一.运用计算机视觉技术,可实现舌诊的定量化和客观化.方法是从采集到的图像中准确提取出完整的舌体图象,然后进行特征提取,提出一种自动分割舌图像的新方法.首先用中值滤波去除图像噪声;其次在YCbCr彩色空间对图像进行预处理,去除面颊皮肤等背景信息;然后用均值移动法初步分割出舌体;最后应用改进的图像区域生长的方法,得到准确完整的舌体图象.通过试验,证明该方法具有令人满意的分割性能.     

一种基于Snakes模型的中医舌象分割改进算法

舌象分割是中医舌诊客观化研究中的一个重要步骤,其结果好坏直接影响到舌象自动分析结果.传统的snakes舌体分割算法的颜色依赖性太大,当舌象的采集环境发生变化时,该算法对所采集的舌象分割结果往往不能令人满意.本文提出的基于snakes模型的改进算法将舌象转换到多种颜色空间,两次应用Snakes动态轮廓模型,最大化地提取了...     

基于舌象特征的中医体质自动辨别系统研究

采用基于TensorFlow的深度学习技术对舌象进行精准分割，提取舌体的颜色特征、形状特征和纹理特征，根据中医名家知识库与中医体质诊断规则，找出舌象各项特征与中医体质的对应关系，构建“舌象-体质”关系模型，自动辨别其可能的中医体质类型：平和质、气虚质、阴虚质、阳虚质、痰湿质、湿热质、淤血质、气郁质、特禀质，最后实现用户通过微信小程序拍摄舌像照片，上传照片，识别中医体质类型，填写问卷，生成相应的特质报告和养生建议。     

基于轻型卷积神经网络的舌苔颜色分类方法

舌象特征的自动分析是中医舌诊客观化的核心内容。舌苔颜色作为舌象最基本的特征,其分类的准确程度决定了后续舌象分析的有效性。因此,提出了基于轻型卷积神经网络架构的舌苔颜色分类方法。考虑到实际采集中舌象样本较少且类别不平衡的特点,对舌象样本中不平衡的舌苔颜色类别进行数据扩充;通过设计轻型卷积神经网络,将特征提取和分类纳入到一个框架中统一进行处理,利用数据驱动学习图像与其属性的映射关系,得到舌苔颜色分类模型,从而实现对舌象样本的苔色分类。实验结果表明,提出的舌苔颜色分类方法可以取得94. 85%的分类准确率,对辅助中医临床诊疗及临床研究具有现实意义。     

深度学习下的医学影像分割算法综述

医学影像分割是计算机视觉在医学影像处理中的一个重要应用领域,其目标是从医学影像中分割出目标区域,为后续的疾病诊断和治疗提供有效的帮助。近年来深度学习技术在图像处理方面取得了巨大进展,基于深度学习的医学影像分割算法逐渐成为该领域研究的重点和热点。叙述了计算机视觉下的医学影像分割任务及其难点,重点综述了基于深度学习的医学影像分割算法,对当前具有代表性的相关方法进行了分类和总结,介绍了医学影像分割算法常用的评价指标和数据集。对该技术的发展进行了总结和展望。     

深度神经网络图像语义分割方法综述

图像语义分割是计算机视觉领域近年来的热点研究课题,随着深度学习技术的兴起,图像语义分割与深度学习技术进行融合发展,取得了显著的进步,在无人驾驶、智能安防、智能机器人、人机交互等真实场景中应用广泛。首先对应用于图像语义分割的几种深度神经网络模型进行简单介绍,接着详细阐述了现有主流的基于深度神经网络的图像语义分割方法,依据实现技术的区别对图像语义分割方法进行分类,并对每类方法中代表性算法的技术特点、优势和不足进行分析与总结。之后归纳了图像语义分割常用的大规模公共数据集和性能评价指标,并在此基础上对经典的语义分割方法的实验结果进行了对比,最后对语义分割领域未来可行的研究方向进行展望。     

一种舌图像中舌体的自动提取方法

舌诊是中医四诊的主要内容,是辨证论治的主要依据。客观化研究对中医辨证规范化及中医临床、教学和科研手段的现代化具有重要意义。舌图像机器分析的首要任务是将舌体提取出来。该文首先使用一种基于颜色纹理的无监督图像分割方法对舌图像进行初分割,然后利用基于色度参数调整后生成的模板进行区域匹配合并完成舌体的提取,通过实验充分证明了算法具有很好的鲁棒性。这给进一步的特征提取奠定了基础。     

Automatic tongue image segmentation based on gradient vector flow and region merging

This paper presents a region merging-based automatic tongue segmentation method. First, gradient vector flow is modified as a scalar diffusion equation to diffuse the tongue image while preserving the edge structures of tongue body. Then the diffused tongue image is segmented into many small regions by using the watershed algorithm. Third, the maximal similarity-based region merging is used to extract the tongue body area under the control of tongue marker. Finally, the snake algorithm is used to refine the region merging result by setting the extracted tongue contour as the initial curve. The proposed method is qualitatively tested on 200 images by traditional Chinese medicine practitioners and quantitatively tested on 50 tongue images using the receiver operating characteristic analysis. Compared with the previous active contour model-based bi-elliptical deformable contour algorithm, the proposed method greatly enhances the segmentation performance, and it could reliably extract the tongue body from different types of tongue images.     

中医舌象计算机识别研究的现状分析及问题

从静态舌图像计算机识别研究的关键环节出发,对当前的研究现状进行了分析.认为在舌图像的采集方面有必要引入正交设计、图像质量评价等方法以筛选出高标准、统一、实用的图像采集条件;图像分割研究可以考虑从多角度入手,综合使用多种分割方法,取长补短,以提高分割效果;同时采用Delphi评价法、多中心的网上专家判别等手段,大样本集中专家经验,综合各家的辨舌经验,建立科学规范的舌象诊断标准;当前舌象识别研究的热点主要集中在舌的颜色领域,研究的方向有待向颜色以外的其他方面拓展,并最终由定性向定量转化,而实现舌诊内容的综合判别将是今后努力的方向.     

改进的GrabCut方法在舌诊系统中的应用

数字舌象图片的正确分割是实现计算机中医舌诊自动化系统的重要前提,为了高效而准确地分割出舌象,提出了一种基于四叉树与GrabCut的舌象分割方法.该方法首先利用四叉树分解对采集的舌象初分割,然后用相似区域的颜色均值优化GrabCut算法中高斯混合模型参数,最终完成舌象分割.实验结果表明：该算法使得舌象分割效率大大提高,具有很好的实用性.     

一种基于分裂-合并方法的中医舌像区域分割算法及其实现

舌像的区域分割是实现计算机中医舌诊自动化系统的一项前期工作，只有实现了良好的区域分割，后续工作的开展才能得以保证。为此提出了一种改进的分裂一合并算法对舌像进行区域分割，和其他几种分割算法的处理效果进行了分析比较，其结果表明，该算法在均匀一致性的判别条件，算法速度和处理效果等方面都显示出了其优势，传统方法的时间复杂度为O(n(n 1)／2)，而该算法的时间复杂度为O(n)，该算法在舌像分割方面具有普遍的适应性和实用性，实验结果令人满意。     

深度学习在医学影像中的应用综述

深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述,特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。     

胎儿脑磁共振图像分割研究进展

医学影像是产前筛查、诊断、治疗引导和评估的重要工具,能有效避免胎儿脑的发育异常。近年来,磁共振成像在产前诊断中愈加重要,而实现自动、定量、精确地分析胎儿脑磁共振图像依赖于可靠的图像分割。因此,胎儿脑磁共振图像分割具有十分重要的临床意义与研究价值。由于胎儿图像中存在组织器官多、图像质量差及结构变化快等问题,胎儿脑磁共振图像的分割面临着巨大的困难与挑战。目前,尚未有文献对该领域的方法进行系统性的总结和分析,尤其是基于深度学习的方法。本文针对胎儿脑磁共振图像分割方法进行综述,首先,对胎儿脑磁共振图像的主要公开图谱/数据集进行详细说明;接着,对脑实质提取、组织分割和病灶分割方法进行全面的分类与分析;最后,对胎儿脑磁共振图像分割面临的挑战及未来的研究方向进行总结与展望。