CN115953392A - 基于人工智能的舌体苔质评估方法 - Google Patents
基于人工智能的舌体苔质评估方法 Download PDFInfo
- Publication number
- CN115953392A CN115953392A CN202310223940.6A CN202310223940A CN115953392A CN 115953392 A CN115953392 A CN 115953392A CN 202310223940 A CN202310223940 A CN 202310223940A CN 115953392 A CN115953392 A CN 115953392A
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- tongue body
- judging
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于人工智能的舌体苔质评估方法,包括:S1获取待分析的舌像图像;S2检测舌像图中的舌体并进行定位和边缘分割获得舌体图像;S3分块处理舌体图像得到分块图像P1,P2,......,Pn,并进行归一化处理得到图像块像素px(i,j);S4对图像块像素px(i,j)进行直方图信息统计,统计每个像素值出现的次数记为Fx;S5根据统计的次数进行颗粒度判断,分析舌体的苔质;提出颗粒度这一概念并将基于恒定光照强度的舌像仪器所采集的舌体图像的局部信息映射为颗粒度,对舌体上是否为正常苔、腐苔、腻苔状态进行评估,相对于其他方法而言,本方法对环境光照变化等外界因素以及舌体的特异性有更高的泛用性和适应性。
Description
技术领域
本发明涉计算机技术领域,尤其涉及一种基于人工智能的舌体苔质评估方法。
背景技术
中医科学认为:舌质由胃气所生,而五脏六腑皆禀气于胃,胃气与脏腑相通,所以能反映人体内部的状态。舌质可以反映人体内部的状态,所以进行舌质评估是中医看诊的一个重要环节。正常人的舌质,一般是舌苔薄而均匀地平铺在舌面,在舌面中部、根部稍厚,津液分布均匀;而当人患有疾病时,则会出现苔色、苔质和津液分布的改变,这些改变能反映出病的轻重和病位。所以中医看诊时会经常观察舌质的苔质与津液分布等情况,这对于判断病人的健康状况具有重要意义。
现目前,中医医生诊疗主要还是通过主观评估舌质来进行诊疗,然而诊断过程存在一定的主观性,如中医医生对病人的诊断方式各不相同,不同的医生对同一病人的诊断也不一致,这种方法极其依赖医生的经验,具有极强的主观性。近年来,为了能够提供客观的舌体信息,许多研究人员利用计算机技术来开发辅助分析方法。目前主要使用的人工智能方法或传统方法都将目光聚焦于局部特征而忽略了舌体图像整体所蕴含的信息,这导致了这些评估方法泛化能力不足,很容易受采集环境等外界因素的影响而导致算法准确率下降。
发明内容
本发明的目的就在于为了解决上述问题设计了一种基于人工智能的舌体苔质评估方法。
本发明通过以下技术方案来实现上述目的:
基于人工智能的舌体苔质评估方法,包括:
S1、获取待分析的舌像图像;
S2、采用U-Net深度学习网络检测舌像图中的舌体并进行定位和边缘分割获得舌体图像;
S3、分块处理舌体图像得到分块图像P1,P2,......,Pn,并进行归一化处理得到图像块像素px(i,j);
S4、对图像块像素px(i,j)进行直方图信息统计,统计每个像素值出现的次数记为Fx;
S5、根据统计的次数进行颗粒度判断,分析舌体的苔质。
本发明的有益效果在于:提出了颗粒度这一概念并将基于恒定光照强度的舌像仪器所采集的舌体图像的局部信息映射为颗粒度,对舌体上是否为正常苔、腐苔、腻苔状态进行评估,相对于其他方法而言,结合了舌体图像的整体和局部信息来进行综合评估,且对环境光照变化等外界因素以及舌体的特异性有更高的泛用性和适应性。
附图说明
图1是本发明基于人工智能的舌体苔质评估方法的流程示意图;
图2是采集的舌像图像示意图;
图3是采集的舌体图像示意图;
图4是本发明基于人工智能的舌体苔质评估方法的颗粒度判断的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要理解的是,术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的具体实施方式进行详细说明。
如图1所示,基于人工智能的舌体苔质评估方法,包括:
S1、获取待分析的舌像图像,如图2所示;
S2、采用U-Net深度学习网络检测舌像图中的舌体并进行定位和边缘分割获得舌体图像,如图3所示;
S3、分块处理舌体图像得到分块图像P1,P2,......,Pn,并进行归一化处理得到图像块像素px(i,j),表示为,N=255;具体为:将舌体图像分为多个细节区域可以更好的寻找算法所敏感的感兴趣区域(ROI),因此基于模板方法来有效的对舌体图像进行划分;将所采集到的分辨率为1024*1024的图像分成512块,其每块的边界像素长度计算公式为:(i/512)*(j/512),其中i代表输入图像的像素长度,j代表原始图像的像素宽度。图像分块处理后得到分块图像P1,P2,......,Pn,n=512;
S4、对图像块像素px(i,j)进行直方图信息统计,统计每个像素值出现的次数记为FX;
S5、根据统计的次数进行颗粒度判断,分析舌体的苔质;具体包括:
S53、对所有的熵值进行统计后进行颗粒度判断,判断熵值大于3的总计数量是否小于n/2,若是则苔质为正常苔;反之则进入S54,如图4所示;
S54、判断熵值大于等于5的总计数量是否小于n/4,若是则苔质为腐苔;反之则苔质为腻苔。
本发明根据舌体发生腐腻时的图像直方图熵值有显著差异这一特性,提出了颗粒度这一概念并将基于恒定光照强度的舌像仪器所采集的舌体图像的局部信息映射为颗粒度,后基于颗粒度的分布代表舌体图像的整体信息,以结合舌体图像整体以及局部信息进行综合判断,该方法相较于其他方法的泛化能力强,适用场景广。
通过该方法对舌体上是否为正常苔、腐苔、腻苔状态进行评估相对于其他方法而言,结合了舌体图像的整体和局部信息来进行综合评估,且对环境光照变化等外界因素以及舌体的特异性有更高的泛用性和适应性。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (3)
1.基于人工智能的舌体苔质评估方法,其特征在于,包括:
S1、获取待分析的舌像图像;
S2、采用U-Net深度学习网络检测舌像图中的舌体并进行定位和边缘分割获得舌体图像;
S3、分块处理舌体图像得到分块图像P1,P2,......,Pn,并进行归一化处理得到图像块像素px(i,j);
S4、对图像块像素px(i,j)进行直方图信息统计,统计每个像素值出现的次数记为Fx;
S5、根据统计的次数进行颗粒度判断,分析舌体的苔质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310223940.6A CN115953392B (zh) | 2023-03-09 | 2023-03-09 | 基于人工智能的舌体苔质评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310223940.6A CN115953392B (zh) | 2023-03-09 | 2023-03-09 | 基于人工智能的舌体苔质评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115953392A true CN115953392A (zh) | 2023-04-11 |
CN115953392B CN115953392B (zh) | 2023-05-16 |
Family
ID=85906867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310223940.6A Active CN115953392B (zh) | 2023-03-09 | 2023-03-09 | 基于人工智能的舌体苔质评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953392B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1512451A (zh) * | 2002-12-28 | 2004-07-14 | ���ǵ�����ʽ���� | 从舌图像提取关注区的方法及相应健康监控方法和设备 |
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
CN103946868A (zh) * | 2013-05-13 | 2014-07-23 | 黄勃 | 一种医学影像处理方法与*** |
CN103985113A (zh) * | 2014-03-12 | 2014-08-13 | 浙江工商大学 | 舌像分割方法 |
CN106510636A (zh) * | 2016-11-29 | 2017-03-22 | 深圳市易特科信息技术有限公司 | 中医舌像自动检测***及方法 |
CN112633301A (zh) * | 2021-01-14 | 2021-04-09 | 北京工业大学 | 一种基于深度度量学习的中医舌图像腐腻特征分类方法 |
CN113506266A (zh) * | 2021-07-09 | 2021-10-15 | 平安科技(深圳)有限公司 | 舌头腻苔的检测方法、装置、设备及存储介质 |
CN113657449A (zh) * | 2021-07-15 | 2021-11-16 | 北京工业大学 | 一种含噪标注数据的中医舌象腐腻分类方法 |
CN114511884A (zh) * | 2022-01-29 | 2022-05-17 | 上海国民集团健康科技有限公司 | 基于对比学习的舌象清晰度识别方法、装置、设备和介质 |
CN115375690A (zh) * | 2022-10-26 | 2022-11-22 | 合肥云诊信息科技有限公司 | 一种舌象腐腻苔分类识别方法 |
-
2023
- 2023-03-09 CN CN202310223940.6A patent/CN115953392B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1512451A (zh) * | 2002-12-28 | 2004-07-14 | ���ǵ�����ʽ���� | 从舌图像提取关注区的方法及相应健康监控方法和设备 |
US20040151379A1 (en) * | 2002-12-28 | 2004-08-05 | Samsung Electronics Co., Ltd. | Method of digital image analysis for isolating a region of interest within a tongue image and health monitoring method and apparatus using the tongue image |
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
CN103946868A (zh) * | 2013-05-13 | 2014-07-23 | 黄勃 | 一种医学影像处理方法与*** |
WO2014183246A1 (zh) * | 2013-05-13 | 2014-11-20 | Huang Bo | 一种医学影像处理方法与*** |
CN103985113A (zh) * | 2014-03-12 | 2014-08-13 | 浙江工商大学 | 舌像分割方法 |
CN106510636A (zh) * | 2016-11-29 | 2017-03-22 | 深圳市易特科信息技术有限公司 | 中医舌像自动检测***及方法 |
CN112633301A (zh) * | 2021-01-14 | 2021-04-09 | 北京工业大学 | 一种基于深度度量学习的中医舌图像腐腻特征分类方法 |
CN113506266A (zh) * | 2021-07-09 | 2021-10-15 | 平安科技(深圳)有限公司 | 舌头腻苔的检测方法、装置、设备及存储介质 |
CN113657449A (zh) * | 2021-07-15 | 2021-11-16 | 北京工业大学 | 一种含噪标注数据的中医舌象腐腻分类方法 |
CN114511884A (zh) * | 2022-01-29 | 2022-05-17 | 上海国民集团健康科技有限公司 | 基于对比学习的舌象清晰度识别方法、装置、设备和介质 |
CN115375690A (zh) * | 2022-10-26 | 2022-11-22 | 合肥云诊信息科技有限公司 | 一种舌象腐腻苔分类识别方法 |
Non-Patent Citations (4)
Title |
---|
XINFENG ZHANG: "An improved tongue image segmentation algorithm based on Deeplabv3+ framework", 《IET IMAGE PROCESSING》 * |
杜建强: "基于图像分析的中医舌象分割与识别方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
杨刚: "典型缺陷局部放电超声信号的特征与模式识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
涂帅: "基于舌象分析的中医体质检测研究与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115953392B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
US10504624B2 (en) | System and method for segmentation and automated measurement of chronic wound images | |
Jiang et al. | An automatic detection system of lung nodule based on multigroup patch-based deep learning network | |
Gatos et al. | Temporal stability assessment in shear wave elasticity images validated by deep learning neural network for chronic liver disease fibrosis stage assessment | |
Sameti et al. | Image feature extraction in the last screening mammograms prior to detection of breast cancer | |
Pogorelov et al. | Bleeding detection in wireless capsule endoscopy videos—Color versus texture features | |
JP2004209245A (ja) | 舌映像からの関心領域の抽出方法及び舌映像を利用した健康モニタリング方法及び装置 | |
Chatterjee et al. | Optimal selection of features using wavelet fractal descriptors and automatic correlation bias reduction for classifying skin lesions | |
Kong et al. | Automated maxillofacial segmentation in panoramic dental x-ray images using an efficient encoder-decoder network | |
CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测***及方法 | |
Biniaz et al. | Automatic reduction of wireless capsule endoscopy reviewing time based on factorization analysis | |
Chakraborty et al. | Chronic wound characterization using bayesian classifier under telemedicine framework | |
Mathew et al. | Transform based bleeding detection technique for endoscopic images | |
Wang et al. | Reduction of bubble-like frames using a RSS filter in wireless capsule endoscopy video | |
Gómez-Flores et al. | Texture analysis based on auto-mutual information for classifying breast lesions with ultrasound | |
US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
CN112419246A (zh) | 量化食管粘膜IPCLs血管形态分布的深度检测网络 | |
CN115953392A (zh) | 基于人工智能的舌体苔质评估方法 | |
Arnold et al. | Indistinct frame detection in colonoscopy videos | |
Zhuo et al. | Fine-needle aspiration biopsy evaluation-oriented thyroid carcinoma auxiliary diagnosis | |
Li et al. | Contourlet-based features for computerized tumor detection in capsule endoscopy images | |
CN113920071A (zh) | 一种基于卷积神经网络算法的新冠病毒图像识别方法 | |
CN115937215A (zh) | 基于人工智能的津液分析苔质方法 | |
Lynn et al. | Segmentation of skin lesion towards melanoma skin cancer classification | |
Vijayalakshmi et al. | METHODOLOGY FOR IMPROVING DEEP LEARNING-BASED CLASSIFICATION FOR CT SCAN COVID-19 IMAGES |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |