辅助口腔溃疡诊治的模型构建方法、装置以及图像系统制造方法及图纸

本发明专利技术公开了一种辅助口腔溃疡诊治的模型构建方法、装置以及图像系统：获取口腔图片，口腔图片包括舌象图片和溃疡图片，构建口腔图片数据集，将口腔图片数据集中的图片进行预处理，构建口腔图片预处理数据集，其中，口腔图片预处理数据集包括多种折叠或不规则图片，利用口腔图片预处理数据集，基于卷积神经网络，构建模型；本发明专利技术解决了舌象、溃疡图像特征还未细化的问题，为口腔溃疡中医诊治提供辅助。为口腔溃疡中医诊治提供辅助。为口腔溃疡中医诊治提供辅助。

【技术实现步骤摘要】
辅助口腔溃疡诊治的模型构建方法、装置以及图像系统


[0001]本专利技术属于图像处理
，具体涉及一种辅助口腔溃疡诊治的模型构建方法、装置以及图像系统。

技术介绍

[0002]舌诊作为中医望诊中的重要组成部分，是中医辨证论治的重要手段之一。通过观察舌体、舌苔、舌背等舌象特征的变化，即能了解、预测人的健康状况，是我国中医临床诊断的特色之一。利用计算机进行舌象的辅助诊断不仅对于临床医疗有深远影响，对于远程医疗也具有十分重要的意义。
[0003]但现有的针对舌诊的研究大部分主要集中在舌象诊断、图像分析校正、光源、体质证候辨识等方面，部分舌象特征还未细化，如舌根腐腻、舌边齿痕、舌尖红等，尤其在辅助口腔专科疾病诊治上应用数字化舌象分析技术更是空白，阻碍了口腔溃疡的中医证候辨识。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术提供一种辅助口腔溃疡诊治的模型构建方法、装置以及图像系统，应用数字化舌象分析技术，解决了舌象特征还未细化的问题，辅助口腔专科疾病诊治，尤其是口腔溃疡。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]根据本说明书的第一方面，提供一种辅助口腔溃疡诊治的模型构建方法，包括以下步骤：
[0007]S1，获取口腔图片，口腔图片包括舌象图片和溃疡图片，构建口腔图片数据集；
[0008]S2，将口腔图片数据集中的图片进行预处理，构建口腔图片预处理数据集，其中，口腔图片预处理数据集包括多种折叠或不规则图片；
[0009]S3，利用口腔图片预处理数据集，基于卷积神经网络，构建模型；
[0010]S3中的卷积神经网络是由一系列确定的单元互连形成的多层网络，卷积神经网络通过激励
‑
响应机制计算每个神经元的输入，从而进行正向传播，并通过反向传播算法来学习网络的权值，反向传播算法多采用梯度下降方法最小化网络输出值和目标值之间的误差，卷积神经网络按照图片处理顺序依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层；在卷积层中，每个神经元的输入与前一层的局部感知区域相连，并提取局部特征；在池化层中，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等，该卷积神经网络的输出张量形状为6x27x27，将其接入展平层和线性层，线性层的输入神经元个数为4374，输出神经元个数为2，激活函数选择softmax，两个输出神经元的输出标量分别表示是否属于该类别的概率。
[0011]在某些实施例中，所述步骤S2中将口腔图片数据集中的图片进行预处理具体为：
[0012]将口腔图片数据集中的图片进行分割，以突出关注的区域，抑制背景噪声，并提取出舌象或溃疡部分的图像；
[0013]在RGB颜色空间中对口腔图片数据集中的图片进行颜色分析，统计图片中各颜色分量的分布，其中，各颜色分量的分布范围有着明显的差异，利用颜色分量的灰度分布差异，可基于R、G分量的差值进行阈值分割，具体方法描述如下：
[0014]T1＝0.8(P
Gmin
‑
P
Rmin
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0015]T2＝1.2P
B max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0016][0017]式中T1和T2均表示判断阈值，P
G
表示G分量灰度，P
R
表示R分量灰度，P
B
表示B分量灰度，P
s
表示为分割后灰度，P
G min
表示G分量灰度最小值，P
R min
表示R分量灰度最小值，P
B max
表示B分量灰度最大值；
[0018]通过式(3)描述的方法，对口腔图片数据集中的图片进行阈值分割；
[0019]对阈值分割处理后的图像进行尺寸变换，以统一的格式输入至卷积神经网络，具体为：从灰度图像中截取最小正外接矩形，根据图像的长宽情况，均匀的扩充为最小正外接正方形，将最小正外接正方形图像等比例缩小为输入图像。
[0020]在某些实施例中，所述步骤S3中第一卷积层、第二卷积层和第三卷积层均由6个5像素
×
5像素的卷积核与输入图像进行卷积运算得来，通过卷积运算，对输入图像采用间隔像素采样的方式，卷积层的节点输出表示为：
[0021][0022]式中n表示层数，i、j表示为神经元数量，f(.)表示激活函数表示5
×
5卷积核，M
i
表示输入特征图像，b
n
表示每个输出图像对应的偏置；
[0023]所述步骤S3中第一池化层和第二池化层的每个单元与上一层卷积层的特征图的2
×
2邻域相连接，池化层的节点输出表示为：
[0024]x
n
(a,b)＝x
n
‑1(2a
‑
1,2b
‑
1)S
11
+x
n
‑1(2a
‑
1,2b)S
12
+x
n
‑1(2a,2b
‑
1)S
21
+x
n
‑1(2a,2b)S
22
+b
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0025]式中S
ab
表示可训练的参数，
a
表示节点横坐标，b表示节点纵坐标。
[0026]在某些实施例中，所述步骤S3中卷积神经网络正向传播的每个神经元的输出记作：
[0027][0028]式中表示第n层的第i个神经元输出，表示第n
‑
1层的第j个神经元到第n层的第i个神经元的权重，C
n
‑1表示第n
‑
1层神经元个数；
[0029]神经网络的激活函数采用对称分布的双曲正切函数f(y)＝tanh y，该函数的导数用G(x)表示；
[0030]所述步骤S3中卷积神经网络每经过一次反向传播，权值的增加值记作具
体如下：
[0031][0032][0033]式中η表示学习速率，E
n
表示最后一层(第n层)的输出误差，T
ni
——第n层期望的输出结果，C
n
表示第n层神经元个数；
[0034]式(7)中的可以通过如下公式进行推导：
[0035][0036][0037][0038]从而计算出第n层权值的增加值
[0039]而第n
‑
1层计算式为：
[0040][0041]根据式(12)，并参考式(9)、(10)的计算方法，可以计算得到第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.辅助口腔溃疡诊治的模型构建方法，其特征在于，包括以下步骤：S1，获取口腔图片，口腔图片包括舌象图片和溃疡图片，构建口腔图片数据集；S2，将口腔图片数据集中的图片进行预处理，构建口腔图片预处理数据集，其中，口腔图片预处理数据集包括多种折叠或不规则图片；S3，利用口腔图片预处理数据集，基于卷积神经网络，构建模型；S3中的卷积神经网络是由一系列确定的单元互连形成的多层网络，卷积神经网络通过激励
‑
响应机制计算每个神经元的输入，从而进行正向传播，并通过反向传播算法来学习网络的权值，反向传播算法多采用梯度下降方法最小化网络输出值和目标值之间的误差，卷积神经网络按照图片处理顺序依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层；在卷积层中，每个神经元的输入与前一层的局部感知区域相连，并提取局部特征；在池化层中，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等，该卷积神经网络的输出张量形状为6x27x27，将其接入展平层和线性层，线性层的输入神经元个数为4374，输出神经元个数为2，激活函数选择softmax，两个输出神经元的输出标量分别表示是否属于该类别的概率。2.根据权利要求1所述的辅助口腔溃疡诊治的模型构建方法，其特征在于，所述步骤S2中将口腔图片数据集中的图片进行预处理具体为：将口腔图片数据集中的图片进行分割，以突出关注的区域，抑制背景噪声，并提取出舌象或溃疡部分的图像；在RGB颜色空间中对口腔图片数据集中的图片进行颜色分析，统计图片中各颜色分量的分布，其中，各颜色分量的分布范围有着明显的差异，利用颜色分量的灰度分布差异，可基于R、G分量的差值进行阈值分割，具体方法描述如下：T1＝0.8(P
G min
‑
P
R min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)T2＝1.2P
B max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中T1和T2均表示判断阈值，P
G
表示G分量灰度，P
R
表示R分量灰度，P
B
表示B分量灰度，P
s
表示为分割后灰度，P
G min
表示G分量灰度最小值，P
R min
表示R分量灰度最小值，P
B max
表示B分量灰度最大值；通过式(3)描述的方法，对口腔图片数据集中的图片进行阈值分割；对阈值分割处理后的图像进行尺寸变换，以统一的格式输入至卷积神经网络，具体为：从灰度图像中截取最小正外接矩形，根据图像的长宽情况，均匀的扩充为最小正外接正方形，将最小正外接正方形图像等比例缩小为输入图像。3.根据权利要求1所述的辅助口腔溃疡诊治的模型构建方法，其特征在于，所述步骤S3中第一卷积层、第二卷积层和第三卷积层均由6个5像素
×
5像素的卷积核与输入图像进行卷积运算得来，通过卷积运算，对输入图像采用间隔像素采样的方式，卷积层的节点输出表示为：
式中n表示层数，i、j表示为神经元数量，f(.)表示激活函数W
nji
表示5
×
5卷积核，M
i
表示输入特征图像，b
n
表示每个输出图像对应的偏置；所述步骤S3中第一池化层和第二池化层的每个单元与上一层卷积层的特征图的2
×
2邻域相连接，池化层的节点输出表示为：x
n
(a,b)＝x
n
‑1(2a
‑
1,2b
‑
1)S
11
+x
n
‑1(2a
‑
1,2b)S
12
+x
n
‑1(2a,2b
‑
1)S
21
+x
n
‑1(2a,2b)S
22
+b
n
ꢀꢀꢀꢀ
(5)式中S
ab
表示可训练的参数，a表示节点横坐标，b表示节点纵坐标。4.根据权利要求1所述的辅助口腔溃疡诊治的模型构建方法，其特征在于，所述步骤S3中卷积神经网络正向传播的每个神经元的输出记作：式中表示第n层的第i个神经元输出，表示第n
‑
1层的第j个神经元到第n层的第i个神经元的权重，C
n
‑1表示第n
‑
1层神经元个数；神经网络的激活函数采用对称分布的双曲正切函数f(y)＝tanh y，该函数的导数用G(x)表示；所述步骤S3中卷积神经网络每经过一次反向传播，权值的增加值记作具体如下：下：式中η表示学习速率，E
n
表示最后一层(第n层)的输出误差，——第n层期望的输出结果，C
n
表示第n层神经元个数；式(7)中的可以通过如下公式进行推导：可以通过如下公式进行推导：可以通过如下公式进行推导：
从而计算出第n层权值的增加值而第n
‑
1层计算式为：根据式(12)，并参考式(9)、(10)的计算方法，可以计算得到第n
‑
1层权值的增加值以此类推，每一层的权值可以按照以下公式进行更新，实现卷积神经网络的反向传播：式中w
n

【专利技术属性】
技术研发人员：嵇颖辰，束为，薛明飞，姬沐原，
申请(专利权)人：江苏省中医院，
类型：发明
国别省市：