一种多光谱舌象图像采集分析系统技术方案

本发明专利技术提供一种多光谱舌象图像采集分析系统，本发明专利技术以中医舌诊参数量化为切入点，使用有针对性的多维度光谱技术扩展中医舌象的光谱分辨率与信息表达，挖掘其在光谱特征下的隐藏信息；借助人工智能算法构建中医舌象关键参数量化模型，实现中医舌诊参数由定性分类向定量量化的转变，使其能够适用于临床疾病诊断以及临床评价指标的形成。以及临床评价指标的形成。以及临床评价指标的形成。

【技术实现步骤摘要】
一种多光谱舌象图像采集分析系统


[0001]本专利技术涉及计算机视觉领域；具体而言，涉及计算机图像分类技术、机器学习与人工智能算法在中医领域的应用；更具体的，涉及一种多光谱舌象图像采集分析系统。

技术介绍

[0002]舌诊是中医疾病诊断、证候辨识、治疗用药的重要依据，具有重要的临床意义和应用价值。传统的中医舌诊依靠医生主观判断，其诊查结果受医生经验以及外部环境影响，同时在界定同一舌色的轻重程度差异时，不同医生的结果存在较大差异，难以形成客观统一的舌色标准，给中医传承和推广带来诸多不便。
[0003]随着计算机科学与图像处理等技术的不断发展，借助于数字图像进行中医舌诊的客观化研究也在较多开展。例如公开号为CN 115083585 A的中国专利技术申请：一种中医舌诊仪及其诊断系统中，试图通过舌诊仪本体可以获取舌头的高清图片，并自动上传至云端的人工智能模块，人工智能模块通过图像识别技术，按照中医舌诊逻辑，得出初步诊断结果。但该方案无论是从舌象图像的采集还是到图像的识别分析等环节都会遗失维数和光谱信息，无法深入挖掘中医舌象在连续光谱范围内的特征变化，所形成的分析结果参考价值并不高；另外，现有的舌象图像分析识别分类的方案很难让使用者进一步直观地判断或者理解最终分类结果的意义、得到有临床价值的量化数值，适用性比较低。
[0004]对于无法深入挖掘中医舌象在连续光谱范围内的特征变化的缺陷，现有技术已经运用到高光谱成像仪来对舌象进行采集，以采集到的高光谱舌象图像进行分析，从而展开进一步的识别与分类。然而，尽管高光谱图像能够同时获取舌体在数百个连续波段下的成像信息，却又会因此带来数据存储占用空间大、采集成本大的问题；另外，信息量大的高光谱舌象图像还会给后续的图像处理带来不小的挑战，例如深度学习在面对高光谱舌象图像时就容易因此出现精度下降和训练时间长等问题。在公开号为CN 111259954A的中国专利技术申请：一种基于D
‑
Resnet的高光谱中医舌苔舌质分类方法中，试图通过改进深度学习的网络结构来更好地提取高光谱舌象图像中的光谱信息与空间信息。但是，即便该方案在信息提取方面可能有所提升，这种方案并未能从实质上解决高光谱舌象图像数据存储占用空间大、采集成本大或计算成本与开销大的困难。总的来说，现有的舌象图像采集分析方案仍有一定的局限性。

技术实现思路

[0005]针对现有技术的局限性，本专利技术提出了一种结合了计算机图像分类技术、机器学习与人工智能算法的方案，采用的技术方案如下：
[0006]一种多光谱舌象图像采集分析系统，包括多光谱舌象图像采集设备以及数据量化分析模块；其中：
[0007]所述多光谱舌象图像采集设备用于根据经过基于机器学习的波段选择分析后选择的若干波段，采集使用者的多光谱舌象图像；
[0008]所述数据量化分析模块用于通过以深度卷积神经网络结构训练得到的分类预测模型，预测所述多光谱舌象图像的颜色分类、量化数值与颜色等级。
[0009]相较于现有技术，本专利技术以中医舌诊参数量化为切入点，使用有针对性的多维度光谱技术扩展中医舌象的光谱分辨率与信息表达，挖掘其在光谱特征下的隐藏信息；借助人工智能算法构建中医舌象关键参数量化模型，实现中医舌诊参数由定性分类向定量量化的转变，使其能够适用于临床疾病诊断以及临床评价指标的形成。
[0010]作为一种优选方案，所述多光谱舌象图像采集设备采集的波段通过以下方式进行选择：
[0011]从预设的高光谱舌象图像样例中提取光谱特征；以所述光谱特征以及所述高光谱舌象图像样例标定的舌色作为输入，对预设的随机森林模型进行分类任务的训练；
[0012]获取训练后所述随机森林模型输出的特征权重系数，所述特征权重系数表示波段空间中各波段在训练分类任务中的权重值；
[0013]根据所述特征权重系数的数值大小，对所述特征权重系数进行排序；从排序结果中挑选出若干个数值最大的特征权重系数，以挑选出的特征权重系数所对应的波段作为波段选择结果。
[0014]进一步的，所述高光谱舌象图像样例中标定的舌色包括舌质颜色以及舌苔颜色；在训练之前，先对所述高光谱舌象图像样例进行苔质分离操作，识别出所述高光谱舌象图像样例的舌苔区域以及舌质区域；分别提取所述舌苔区域以及舌质区域的光谱特征。
[0015]更进一步的，通过计算所述舌质区域或舌苔区域中所有像素点的平均光谱反射率，作为对应区域的光谱特征。
[0016]进一步的，对所述随机森林模型进行训练的过程中，以准确率、精准率、召回率、AUC对所述随机森林模型的拟合准确度进行参数调整与性能评价。
[0017]作为一种优选方案，所述分类预测模型包括用于预测所述多光谱舌象图像的颜色分类的舌色分类预测模型以及用于预测所述多光谱舌象图像的量化数值与颜色等级的舌色量化预测模型；其中：
[0018]所述舌色分类预测模型通过以预设的高光谱舌象图像样例以及所述高光谱舌象图像样例标定的舌色作为训练数据，对预设的深度卷积神经网络结构进行训练获得；
[0019]所述舌色量化预测模型通过以预设的高光谱舌象图像样例以及所述高光谱舌象图像样例标定的量化数值与颜色等级为训练数据，对预设的深度卷积神经网络结构进行训练获得。
[0020]作为一种优选方案，所述高光谱舌象图像样例标定的颜色等级包括偏淡二度、偏淡一度、正常、偏深一度以及偏深二度；其中：
[0021]标定为偏淡二度的高光谱舌象图像样例所对应的量化数值为
‑
100；
[0022]标定为偏淡一度的高光谱舌象图像样例所对应的量化数值为
‑
50；
[0023]标定为正常的高光谱舌象图像样例所对应的量化数值为0；
[0024]标定为偏深一度的高光谱舌象图像样例所对应的量化数值为+50；
[0025]标定为偏深二度的高光谱舌象图像样例所对应的量化数值为+100。
[0026]作为一种优选方案，预测得到的量化数值的范围与颜色等级的对应关系如下：
[0027]量化数值在
‑
125至
‑
75之间为偏淡二度；
[0028]量化数值在
‑
75至
‑
25之间为偏淡一度；
[0029]量化数值在
‑
25至+25之间为正常；
[0030]量化数值在+25至+75之间为偏深一度；
[0031]量化数值在+75至+125之间为偏深二度。
[0032]作为一种优选方案，所述多光谱舌象图像采集设备包括设有开口的暗箱、设于所述暗箱开口一侧的下颌承托机构以及设于所述暗箱内部的多光谱相机与光源；所述多光谱相机与所述数据量化分析模块连接。
[0033]作为一种优选方案，还包括结果可视化模块；所述结果可视化模块与所述数据量化分析模块连接，用于呈现所述数据量化分析模块的预测结果。
附图说明
[0034]为了更清楚地说明本申请实施例的技术方案，下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多光谱舌象图像采集分析系统，其特征在于，包括多光谱舌象图像采集设备(1)以及数据量化分析模块(2)；其中：所述多光谱舌象图像采集设备(1)用于根据预设的波段，采集使用者的多光谱舌象图像；所述多光谱舌象图像采集设备(1)采集的波段由基于机器学习的波段选择分析来确定；所述数据量化分析模块(2)用于通过以深度卷积神经网络结构训练得到的分类预测模型，预测所述多光谱舌象图像的颜色分类、量化数值与颜色等级。2.根据权利要求1所述的多光谱舌象图像采集分析系统，其特征在于，所述多光谱舌象图像采集设备(1)采集的波段通过以下方式进行确定：从预设的高光谱舌象图像样例中提取光谱特征；以所述光谱特征以及所述高光谱舌象图像样例标定的舌色作为输入，对预设的随机森林模型进行分类任务的训练；获取训练后所述随机森林模型输出的特征权重系数，所述特征权重系数表示波段空间中各波段在训练分类任务中的权重值；根据所述特征权重系数的数值大小，对所述特征权重系数进行排序；从排序结果中挑选出若干个数值最大的特征权重系数，以挑选出的特征权重系数所对应的波段作为波段选择结果。3.根据权利要求2所述的多光谱舌象图像采集分析系统，其特征在于，所述高光谱舌象图像样例中标定的舌色包括舌质颜色以及舌苔颜色；在训练之前，先对所述高光谱舌象图像样例进行苔质分离操作，识别出所述高光谱舌象图像样例的舌苔区域以及舌质区域；分别提取所述舌苔区域以及舌质区域的光谱特征。4.根据权利要求3所述的多光谱舌象图像采集分析系统，其特征在于，通过计算所述舌质区域或舌苔区域中所有像素点的平均光谱反射率，作为对应区域的光谱特征。5.根据权利要求2所述的多光谱舌象图像采集分析系统，其特征在于，对所述随机森林模型进行训练的过程中，以准确率、精准率、召回率、AUC对所述随机森林模型的拟合准确度进行参数调整与性能评价。6.根据权利要求1所述的多光谱舌象图像采集分析系统，其特征在于，所述分类预测模型包括用于预测所述多光谱舌象图像的颜色分类的舌色分类预测模型以及用于预测所述多光谱舌象图像的量化数值与颜色等级的舌色量化预测模型；其中：所述舌...

【专利技术属性】
技术研发人员：张冬，张俊华，
申请(专利权)人：广东省新黄埔中医药联合创新研究院，
类型：发明
国别省市：