【技术实现步骤摘要】
基于深度学习的舌面检测分割及体质分类方法
[0001]本专利技术涉及图像处理
,尤其涉及基于深度学习的舌面检测分割及体质分类方法
技术介绍
[0002]随着现代社会的发展,人的压力越来越大,同时随着人们物质生活水平的提高,一些老年疾病也已经在逐渐年轻化,大部分人都处于亚健康的状态。一些隐匿性,潜在性的疾病正一步步侵蚀我们的身体。如何采取一种无痛、无接触、有效的诊断方法越来越受欢迎。
[0003]中医作为我国的国粹,积累了五千年的发展经验,在历史文化长河中,中医一直延续着四种诊断疾病的方法,即望闻问切四诊。其中,望诊是中医四诊中的第一步,也是最重要,最基础的一部分,而舌诊是望诊中的最重要的一个环节,是诊断疾病最有效最直接的方法。它可反应身体环境的寒热虚实,阴阳盛衰,作为体质辨识是可行的,从而可进行体质的改良,减少疾病的发生。
[0004]传统的舌诊依赖医生的主观判断,由于医生的经验和诊察环境的不同,不同医生对同一舌象的判断存在差异。随着人工智能的迅猛发展,智能化舌诊逐渐兴起,智能化舌诊可以对不同环境下采集的舌面图像进行处理分析,实现舌体检测,舌体分割,人体体质分类来辅助医生进行诊断,提高诊断的准确性。同时,智能化舌诊可实现无接触式的智能诊断,也避免了交叉感染。
[0005]现有技术通常采用卷积神经网络算法对舌面图像进行检测和分割,也有诸多方法对网络结构进行改进,但是,仍存在几个方面的局限性:一是这些方法只是对舌面和外部图像的分割,没有利用图像中各个像素点之间的位置关系,忽略了舌面细节信息; ...
【技术保护点】
【技术特征摘要】
1.基于深度学习的舌面检测分割及体质分类方法,其特征在于,分割和分类过程,包括步骤:步骤1:图像去噪:设原始采集的舌面图像为V1,大小为m
×
n,去噪图像为U,U中第(i,j)位置的像素灰度值为:其中,ω(i,j)表示(i,j)位置的相似率,满足d(i,j)=||V(N
i
)
‑
V(N
j
)||
22,α
;i,j分别为V1(N
i
),V1(N
j
)像素中心,h为控制平滑的滤波参数,α为高斯核的标准差,Z(i)为归一化的系数,通过图像块找到图像中的相似区域,再对这些区域求平均,得到去噪图像V2;步骤2:舌面标注:利用LabelImg和LabelMe对V2进行检测和分割标注,获得舌面图像数据集V3;步骤3:模型训练:利用改进的深度学习模型对数据集V3进行训练;训练好的模型可实时检测和分割舌面,分割结果进行保存;步骤4:体质标注:保存的分割结果由医师进行体质标注,获得体质分类数据集V4;步骤5:体质分类:利用迁移网络融合模型对V4进行训练,保存最优训练模型,并对V2进行体质类型研判。2.根据权利要求1所述方法,其特征在于,所述步骤3中改进的深度学习模型,具体包括:步骤1:设计截断损失函数:其中,x∈R
n
是变量,f0:R
n
→
R∪{+∞},f
i
,h
i
:R
n
→
R,i=1,2,
…
,m,min{f(x),h(x)}称为截断函数;因为截断损失函数是一个不可微函数,所以应用光滑函数思想对凸性非光滑曲面进行逼近,使用的光滑函数定义为:使用的光滑函数定义为:截断损失函数等价于:步骤2:求解极值:利用增广拉格朗日乘子法,得到得到其中,x,y∈R
n
是变量,ω∈R
n
是拉格朗日乘子,惩罚参数β>0;步骤3:变量初始化:(y0,ω0)∈R
n
×
R
m
,p0>0,σ∈(0,1),β>0,ε1>0和ε2>0;
步骤4:参数迭代:k=0,1,2,
…
,m,t=0,1,2,
…
,m,序列(x
k+1
,y
k+1
,ω
k+1
)由公式(7)(8)(9)产生:x
k+1
=arg
x
minL
β
(x,y
k
,ω
k
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)y
k+1
=arg
y
minL
β
(x
k+1
,y,ω
k
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)ω
k+1
=ω
k
+β(x
k+1
‑
y
k+1
),
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)若||x
k+1
‑
y
k+1
||<ε1,||
‑
β(y
k
‑
y
k+1
)||<ε1和则停止计算,输出(x
k+1
,y
k+1
,ω
k+1
);步骤5:通道卷积:首先,特征图F经过通道卷积中两个并行的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。