文摘

智能制造的快速发展为智能医疗服务生态系统提供了强有力的支持。研究人员正致力于建设智慧信息技术120(即120年)的居民和医务人员的概念简单的智能医疗和通过物联网等核心技术,大数据分析,人工智能,和microservice框架,改善患者安全,医疗质量、临床效率和经营效益。其中,如何使用计算机和深度学习技术来协助诊断舌头的舌图像,实现智能诊断已成为一个主要趋势。舌头舌头状态的裂缝是一个重要的特性。舌裂纹的变化不仅反映客观和准确地改变了一些典型疾病的情况下,中医综合症也裂缝性的语义分割的舌头可以把舌头状态的其他特性进一步提高舌诊系统的识别精度。虽然计算机舌诊技术已经取得了很大的进步,很少有研究裂缝性的舌头,其中大部分集中在分析舌苔和身体。在本文中,我们做系统深入的研究,提出一种改进的U-Net网络裂缝性的图像语义切分的舌头。通过引入全球卷积网络模块到编码器U-Net的一部分,它解决了编码器的问题部分是相对简单的,不能提取相对抽象的高层语义特征。最后,通过实验验证了模型的方法。改进U-Net网络具有更好的分割效果和更高的分类精度为裂缝性舌图像数据集。 It can be used to design a computer-aided tongue diagnosis system.

1。介绍

如今,移动和无线网络技术的快速发展,物联网信息技术(物联网)导致了明智的120(120年智慧)。研究人员结合现代计算机技术与现代医学和传统的中医理论来实现计算机辅助诊断(1- - - - - -3]。机器学习和深度学习也广泛应用于医学领域。深入学习,机器学习的一个分支,强调使用多个数据的抽象级别(4]。深度学习不是一项新技术;它的概念来源于人工神经网络。从本质上说,它指的是一种有效的训练方法与深层结构的神经网络。深度学习低级特征结合形成更抽象的高层表示属性类别或特性,找到数据的分布式特性表示。学习深度学习的动机是建立一个神经网络模拟人脑的分析学习。它模拟人脑的机制来解释数据,比如图像、声音和文字。它可以自动抽象和提取低收入,中期,和高级特性直接从原来的舌图像将从端到端5]。结合中医理论与深度学习技术和分析舌图像通过构造神经网络模型不仅为计算机辅助舌诊还提供一个新的想法提高疾病诊断的现代化和自动化水平。

卷积神经网络中发挥着重要作用深度学习的发展。它起着不可替代的作用在提高计算机视觉的研究水平和实际性能。2012年,一个历史性的突破是在卷积神经网络的发展。Krizhevsky et al。6)提出了著名的模特叫AlexNet通过修正线性单元(ReLU)激活函数。先锋深CNN,赢得了ilsvrc - 2012前5的测试精度为84.6%,达到一个新的先进的性能。目前,卷积神经网络已经取代了传统机器学习的支持向量机(svm),成为最优秀的和广泛使用的深层神经网络学习模型在计算机视觉领域,如图像分类、目标检测、目标跟踪、图像分割。

输出的图像分割方法可以被理解为每个像素所属的类别。在物体识别中,输入层单元的数量等于样本图像的大小,和输出层单元的数量等于类别的数量。在图像分割中,输入层单元的数量和对象识别一样,等于样本图像的大小。但是输出层单元的数量等于该产品的样本图像大小和类别的数量。分割的输出结果的概率是每个像素属于每个类别。图像分割对象可以道路场景,面对图像和医学图像。2014年,长et al。7)设计一个完全卷积网络(FCN)兼容任何大小的图片,并使用完全监督学习的图像语义分割。

基于VGGNet-16 (FCN改进8)网络。它使用卷积层来取代传统的完整的连接层CNN和使用跳过层方法结合特征映射生成的中间卷积层。然后,双线性插值算法用于upsampling粗分割结果转换成细分割结果。的建议FCN许多学者提供了研究的想法。从那时起,许多优秀的图像分割网络不断提出和广泛应用在各个领域,如无人驾驶、遥感、医学。

舌诊是中医独特的诊断方法之一为医生了解人体的生理功能和导致变化通过观察病人的舌头和舌苔的变化。它扮演着一个重要的角色在中国传统医学(中医)的临床诊断。

然而,传统舌诊通常是基于医生的个人知识和经验,缺乏客观的评价标准。此外,积累的宝贵经验和舌头图像数据的过程中不能保留传统舌诊科学和定量,和传统舌诊的考试成绩不能科学和定量描述9],严重阻碍了舌诊的应用和发展。为了解决这种情况,有必要实现舌诊的量化和标准化。因此,中医舌诊需要建立现代医疗制度与领先科技、客观化、量化、自动化、和展览。

目前,越来越多的医学大学和制药企业已经开始探索结合中医舌诊的发展路线与计算机科学与技术,取得了一系列科研成果10- - - - - -14]。然而,主要的研究集中在舌苔和舌头的颜色,和舌裂纹的研究相对较少。

根据舌图像的描述歧视在中国传统医学(15],裂缝舌指周游皱纹和裂纹表面上,舌头,或双方的舌头,在中医称为裂缝舌。一方面,裂缝性舌是由于脾阳虚和潮湿,另一方面,它是由气不足引起的脾脏。由于脾和胃阴不足影响营养物质在体内的吸收,导致营养物质无法被传送到舌头。裂缝性的舌头是身体营养不良的表现之一。舌裂纹信息不仅能客观、准确地反映一些典型疾病的变化和中医症状,也可以结合其他语言特性进一步诊断疾病。是非常重要的研究裂缝性舌图像。

在本文中,我们提出一种改进的基于U-Net(裂缝性舌图像分割模型16)模型。实验表明,有一些问题由U-Net裂缝舌图像分割模型。首先,U-Net编码器的一部分,用更少的网络层和卷积神经网络使用更简单的结构。这样一个简单的网络不是很有效的分类任务;很难提取图像中一些抽象的高级特性,不能充分利用整幅图像的信息。因此,网络编码的缺乏使得最终的分割结果不够准确。其次,医学图像数据较少,更深层次的网络很难训练和更复杂的网络很容易过度拟合。最后,它很容易丢失数据池操作期间,导致U-Net的不令人满意的分割效果。

为了解决上述问题,我们提出一个基于U-Net的组合方法,政府通讯(全球卷积网络)模块,和BR(边界细化)模块17]。在实验过程中,构造裂缝性舌图像数据库。通过比较不同pretraining网络编码器和是否添加政府通讯模块和BR模块,进行对比实验,改进U-Net模型提出了。改进U-Net测试的测试数据集,并与FCN-8s [7],SegNet [18],VGGNet_Unet和其他图像分割网络模型,交叉联盟平均比率(MIoU)改进模型增加了15.1%,30.5%,和5.3%,分别。

总之,本研究的主要贡献可以概括如下:(1)我们已经改进基于U-Net网络。这种方法增加了政府通讯和BR模块U-Net模型。因为大内核缓解之间的矛盾是至关重要的分类和定位,改进U-Net结构使更好的分类,因此资助的可能性建立更深层次的网络和更高的精度。(2)我们建造了一个数据库的研究,证实了一致性评估由两位专家医生。我们增强了数据在二维情况下(8翻转和旋转的组合),使其可用于实验。(3)我们展示的性能提出了深度学习架构通过比较它与最先进的分割方法。我们的方法优于大多数顶级方法的分割精度。

本文组织如下。节2,我们提供了一个简短的回顾相关工作的话题上典型的卷积神经网络和语义分割。节3中,我们详细描述了模型的体系结构和建模框架。部分4描述了数据集用于训练我们的算法。我们提供一系列的实验分析,证明我们的建模框架的设计选择。最后但并非最不重要,我们提出我们的算法的性能评估和比较与其他发表的结果。最后,部分5总结了实验,提出了模型的不足之处和未来发展方向。

2。相关工作

2.1。常见的深度网络体系结构

正如我们以前所说的,一个卷积神经网络图像分割领域做出了巨大的贡献。它已成为一个著名的标准应用卷积神经网络分割模型实现特征提取。出于这个原因,我们将关注这些优秀的图像分类网络在这一节中。

2012年,亚历克斯Krizhevsky提出一个非常重要的卷积神经网络模型称为AlexNet [6]。它赢得了冠军ILSVRC图像分类和吸引了学术界和产业界的广泛关注。卷积AlexNet由一个输入层,五层,和三个完整的连接层。其中,卷积三层也最大化。

灵感来自AlexNet,视觉几何组(VGG)是一个CNN模型引入的视觉几何组(VGG)牛津大学的。VGGNet [8)之间的关系探讨的深度卷积神经网络及其性能。通过反复叠加3×3小回旋的内核和2×2最大池层,VGGNet成功地构建了一个16 - 19-layer深卷积神经网络。相比之前的最先进的网络结构,VGGNet大大降低了出错率,取得了第二名2014年ILSVRC竞争分类项目和1日在定位项目。同时,VGGNet很可扩展,并迁移到其他图片数据泛化很好。

虽然VGGNet证明深化模型结构可以帮助改善网络性能,GoogLeNet [19)关注如何构建更深层次的网络结构,提出了一个新的基本结构、初始模块(见图1),增加网络的宽度。比AlexNet或VGGNet GoogLeNet V1是更深层次的,但其计算小于AlexNet和准确性比AlexNet要好得多,这是一个非常实用的模型。GoogLeNet V1的原因,以减少参数较少但有很好的效果如下:一是消除最后的完整的连接层和取代它与全球平均池层,使模型训练速度,减少过度拟合。此外,《盗梦空间》模块参数提高了利用率。

随着层数的增加,网络通常会更困难的训练。当一些网络开始收敛,他们也可能退化问题,导致饱和的快速准确性。程度越深,出错率越高。更令人惊讶的是,这种退化造成的高错误率不是过度拟合,而是添加了更多的层。为了解决退化问题,深层残留学习框架提出了数以百计的残余网络可以成功地训练。与正常的神经网络相比,剩余网络引入了跨层连接,或快捷键连接,构造残余模块(见图2)。

ResNet [20.结构可以有效地消除误差的增加造成的训练集层增加。此外,ResNet结构可以迁移到其他网络模型。GoogLeNet获悉ResNet的特点并提出了《盗梦空间》V4和Inception-ResNet-V2 [21]。通过整合这两个模型,取得了优秀的成果ILSVRC数据集。最后,一系列基于ResNet变体模型生成,如ResNeXt [22],SEResNet [23金字塔,功能网络(红外系统)(24]。

2.2。Encoder-Decoder

encoder-decoder网络已成功地应用于许多计算机视觉任务,包括人体姿态估计、目标检测和语义分割(25]。encoder-decoder网络通常由两部分构成:编码器和译码器,编码器的逐渐减少的大小特征地图和捕捉高级语义信息,和译码器逐步恢复对象细节和空间维度。整个结构使用编码器模块的多尺度特性和恢复的空间分辨率解码器模块。

U-Net网络是一个简单而有效的网络用于本文是基于完整的卷积网络(FCN)网络架构。其encoder-decoder结构和skip-connection非常经典的设计方法。编码器部分负责特征提取,解码器部分恢复原来的图形,给每个像素的预测。然后,深层和浅层信息融合的信息对应的像素缝合。

2.3。全球卷积网络和边界细化

语义分割可以被认为是一个逐像素分类的问题。在这个任务中有两个挑战:(1)分类:一个对象关联到一个特定的语义概念应该正确标记;(2)定位:为一个像素的分类标签必须对齐到适当的坐标输出分数地图。一个设计良好的分割模型应该同时处理这两个问题(17]。

从以上两个方面,两个设计原则可以遵循:(1)从的角度定位,应该使用完整的卷积结构而不是完整的连接层或全球池层;(2)从的角度分类,应该使用更大的卷积核的像素和特征映射更紧密地结合起来,提高处理能力不同的转换。此外,太小了卷积的内核将导致一个小接受域。网络无法覆盖大部分目标,不利于分类。

为了解决上述问题,曹国伟et al。17]提出了全球卷积网络(GCN)模块和边界优化块(BR) 2017年(见图3 (b)CRF)取代后处理模块。在这篇文章中,作者认为,网络结构应采取更大的内核大小,特征图谱和逐像素分类器可以密切联系,加强应对转换的能力。然而,一个大型卷积内核将导致一个参数的数量急剧增加。本文使用对称分离卷积来减少模型参数和计算。在本文中,我们添加了政府通讯模块和BR模块U-Net的基础上。实验结果表明,该模块的加入可以有效地提高分割精度。

3所示。方法

众所周知,裂缝性舌的诊断是一种重要的中医诊断方法。裂缝的识别后的舌头,需要提取和分析裂缝舌头的特点,可以帮助医生判断裂缝的舌图像和诊断人民健康状况通过裂缝舌图像以达到更有效的治疗和疾病预防。

因为裂缝的舌头是一个明显的裂纹槽在舌头表面,裂纹特征提取通常是通过设置一个阈值灰度和梯度。王等人。26)提出了一个基于大津裂缝提取方法和bot-hat,获得裂纹区域由bot-hot大津并提取裂缝,通过后处理和删除假裂缝。杨et al。27]提出的舌裂纹检测基于遥远的梯度和先验知识。该算法使用像素颜色信息和灰色完全改变。Zhang et al。28]提出了水流法适合检测舌裂纹宽度不同。这种方法使用的特点,水流的水流模拟地形获取地形图,舌头和裂纹检测通过计算水分子聚集在地图。它不仅可以检测裂缝的存在也量化等不同方面的严重裂缝的数量,宽度,长度,深度。

此外,Chang et al。29日)应用激活Gradient-Weighted类映射(30.)培训测试舌头图像ResNet50网络结构裂缝检测和定位。然而,一些裂缝在脸上或其他部位也位于同一时间;它需要在未来提高定位的准确性。刘等人。31日微调)构建模型的方法在Faster-RNN深度学习技术和学习技术转让和评估模型的效果通过使用准确率,准确率和召回率。图像识别的结果表明,该模型不受位置影响舌的病理改变形象,具有较强的适应性,当地的舌图像的特征提取。

到目前为止,有一个垃圾的文献介绍的一些特征的提取和分析裂缝的舌头(32,33),但它远非系统和深入。与以前的方法相比,本文提出一种U-Net [16)与政府通讯网络(17]模块提取裂缝特性和识别裂缝特征的舌头从图像语义分类的角度。之间的主要区别语义分割方法基于卷积神经网络和传统的语义分割方法是网络可以自动学习图像特征和执行端到端分类学习,大大提高了图像语义分割的精度和效率。

U-Net [16网络(见图)3(一个))在医学图像分割和良好的性能优于其他coding-decoding结构网络小目标分割的性能。因此,U-Net网络选为裂缝性段的主要模型在中医舌图像。由于光照强度的影响,饮食,和毒品,舌头图像的特点是大量的信息和许多功能。FCN [7]和SegNet [18)网络不够好中医舌裂纹分割的图像,和很容易失去的详细信息。与他们相比,U-Net网络可以获得一个更好的分割效果。因此,本研究提出了提高U-Net网络结构来解决这个问题,小目标难以准确分割。

与U-Net相比,改进的U-Net模型使用pretrained GoogLeNet作为图像的特征提取网络特征提取。特征提取后,通过GCN特征信息添加模块和BR模块。通过该操作,解码器可以恢复图像细节和空间维度upsampling更好的操作。改进U-Net网络提升有效的接受域的大小增加卷积核的大小,提高了细分精度的小目标。

改进U-Net模型仍然保留了encoder-decoder结构,如图3 (c)。改进U-Net模型编码器采用GoogLeNet pretraining网络。图的左半部分3 (c)是编码器GoogLeNet网络的组成部分。这部分主要由四子。子模块包含初始模块,该模块提取输入图像的特性通过池操作。最后GoogLeNet编码器的输出进入政府通讯模块。然后,尽管政府通讯模块的输出是upsampled,频道号码添加到其先前的子模块的输出。输出结果进入下upsampling BR模块的输入,等等。最后,模型输出的语义分割预测图。

总的来说,根据曹国伟的分析在图像分类和分割,我们已经知道大内核缓解分类和定位之间的矛盾是至关重要的。大型内核的原则后,我们加入全球卷积网络(GCN) U-Net结构模块。此外,进一步细化对象边界,我们也添加一个边界细化(BR)块。定性,政府通讯模块主要是优化网络的内部结构,而BR的块边界附近提高性能,能准确捕捉图像的边缘信息。实验部分4表明我们提出改进U-Net结构达到良好的性能,实现裂缝提取和满足好之间的权衡有效接受申请和参数的数量。

4所示。实验评价和讨论

4.1。数据集

目前,没有完全公开数据集的舌头图像。因此,提出了一种新的数据集作为参考对裂缝性舌图像分割研究中。裂缝性的舌头是评判严格指高等教育“十二五”规划教材的中国医药产业在中国,如中医舌图像歧视(15)和中医舌诊的诊断(34]。图片也评估并证实了中医医生的一致性。在这项研究中,共有316名临床舌图像符合裂缝舌图像JPG格式的收集和筛选。统一编码进行了选定的舌头图像数据。同时,Photoshop CC 2019是用来快速进一步作物选择舌图像和保留包含舌头图像预处理的地区。切割后,舌头图像如图4。

Labelme_3.16.7图像注释软件基于Python是用来注释舌裂纹区域的图像。每个舌图像生成相应的带注释的JSON文件,然后将JSON转换文件通过程序生成相应的语义标签图像的图像。为了确保数据的准确性注释,我们也检查和确认的注释。带注释的所有数据被随机分为培训验证集和测试集的比例根据7:3,93年有223培训验证数据集和测试数据集。在实验中,为了避免过度拟合问题,我们放大的数据训练验证数据集通过图像的几何变换,包括数据增强操作如翻转转换和随机的修剪。我们平衡图像和随机采样的数量将他们分成训练集和验证集的比例根据7:3,其中有1413的训练集和596年的训练集。实验中数据预处理结果如图所示4。

实验系统包括pretraining网络是基于Pytorch框架,和所有实验完成NVIDIA-GP 1060(6克)显卡,CUDA_verision 10.1, Python 3.6版本。在培训期间,我们训练亚当与动力。我们使用minibatch 4图片和大小固定的初始学习1×10⁻⁵。我们使用动量0.9,学习速率的增加将逐渐减少时代达到更好的训练效果。我们将输入图像的大小设置为256×256。性能是衡量标准的意思是交叉在联盟(MIoU) [35]。

4.2。没有Pretraining与不同的分类模型

U-Net网络模型主要是由网络编码器和译码器组成的网络。编码器网络将高维向量转化为低维向量实现高维特征的低维提取。编码器网络通过多个最大池操作捕捉更多平移不变特性,但它也失去了更重要的分割基地等特性的边界信息地图。因此,不同pretraining网络用于特征提取的编码器U-Net模型的一部分,和模型的算法精度的过程中训练和验证比较,以及分割效果在测试过程。在实验过程中,hyperparameter设置网络,如学习速率,保证是相同的。比较实验结果如图所示5,细分预测结果如图6。从预测结果可以看出不同的pretraining网络,与ResNet相比,VGGNet, DenseNet [36],ShuffleNet [37),和SEResNet网络,GoogLeNet网络更适合U-Net编码器在这项研究中,一个更好的分割效果。

4.3。模型比较有或没有政府通讯模块

节2.3,我们证明政府通讯模块提高了分类能力的分割模型通过引入致密连接到功能映射来帮助应对大量的转换。为了进一步证明这一点,我们进行实验来验证的有效性的政府通讯模块和BR模块整合网络。在这项研究中,我们添加了融合政府通讯模块和BR模块VGGNet_Unet, GoogLeNet_Unet和SEResNet_Unet分别。特征融合之前,每个特征提取子模块的输出结果的编码器是首先投入政府通讯模块,然后添加upsampling解码器的结果。最后,添加结果放入BR模块,等等。实验是在测试数据集进行比较,和实验结果如表所示1。从表可以看出1与模型相比,没有政府通讯和BR模块,舌头图像裂缝模型的分割精度GCN和BR模块改进,和MIoU GoogLeNet_Unet模型之下,BR在舌裂纹图像分割模块增加了5.3%。这表明政府通讯模块和BR模块应用于舌图像的语义分割可以更好地融合多尺度图像上下文信息,有效地利用图像的特征信息和获得更高的网络预测的准确性。

4.4。比较不同的运算在政府通讯模块

在本节中,我们主要讨论实验使用深分离卷积代替普通卷积的政府通讯模块(标记为GCN_D)。自从Sifre et al。38)在2013年提出,河道间和空间相关性的卷积层可扣除的耦合,深深卷积分离一直是许多高效的神经网络框架的关键构件实现轻量级模型。普通卷积和深深分离卷积的区别主要在于,普通卷积考虑所有渠道相应地区的同时,深层分离卷积使用不同的旋转来检查不同渠道卷积,卷积和普通分为两个独立的并行卷积过程,切除(39卷积和点态(39卷积。基于前一章,我们采用相同的实验环境和添加GCN_D模块和BR模块,分别为VGGNet_Unet GoogLeNet_Unet, SEResNet_Unet。实验是在相同的测试数据集进行比较,和实验结果如表所示2。从表可以看出2,舌头图像裂缝分割模型的准确性与GCN_D模块不是明显不同于政府通讯模块的模型。这表明深度分离卷积是否用于舌图像的语义分割裂纹在政府通讯模块几乎没有影响。

4.5。实验结果对测试数据集

在这项研究中,我们进行了一些杰出的实验模型,如FCN DeepLab v3_plus [23],FRN [24],SegNet [18],等等40- - - - - -42)、VGGNet_Unet和改进U-Net在测试数据集的权重在训练过程中获得的。实验结果如图所示7,预测结果如图8。可以看出,无论是Deeplab3_plus还是FCN模型可以提取舌图像裂缝,尤其是在小而不明显的情况下裂纹特征的舌头形象;预测效果很差,甚至无法预测准确。GoogLeNet_Unet和改进U-Net可以更好的区分舌头图像从背景中裂缝在舌头图像裂缝是稀疏的地方。与经典U-Net模型相比,改进的U-Net网络不仅降低了出错率,也提高了预测MIoU。为了更好的实验结果显示,我们随机选择三个数据集的数据,使用改进的U-Net网络来预测这些图片通过在训练过程中获得的重量,和原始图像叠加预测结果更好地说明网络的分割效果,如图9。

4.6。模型验证

在本部分中,描述了一个实验来验证改进后的模型和其他模型。实验的总体流程如图10。第一步是收集舌头图像。一般来说,舌头图像需要被手机、数码相机、和其他的设备在一个封闭的、稳定的、和固定采集环境。其次,我们将收集到的舌图像专业医生识别来判断是否可以使用收集到的图像数据的实验。因为收集到的舌图像通常包含冗余背景如牙齿、嘴唇、脸,它对后来的实验分析有很大的影响。我们需要删除干扰背景从收集到的舌图像分割可分析的舌图像。这是最关键的步骤,实验。最后,我们把舌头图像到pretrained模型在处理部分4所示。5裂缝性舌图像的特征提取。

在这个实验中,裂纹舌图像我们选择既不是在训练数据集和测试数据集,确保验证实验的有效性。在图11,我们的预测结果显示裂缝舌的照片。DenseNet_Unet,实验结果表明,FCN VGGNet_Unet, GoogLeNet_Unet,改善U-Net模型可以准确地提取裂纹的特性。

5。结论

舌头舌头状态的裂缝是一个重要的特性。舌裂纹的变化不仅反映客观和准确地改变了一些典型疾病的情况下,中医综合症也裂缝性的语义分割的舌头可以把舌头状态的其他特性进一步提高舌诊系统识别精度。虽然计算机舌诊技术已经取得了很大的进步,很少有研究裂缝性的舌头,其中大部分集中在分析舌苔和身体。此外,研究成果的语义分割裂缝舌将加快实际研究在计算机舌诊舌裂纹和同时也具有潜在的应用在医学临床实践。

此外,对各领域的深度学习有巨大影响的科学(43]。当前的研究的重点是最关键的一个计算机视觉领域:医疗计算机视觉,尤其是基于深度学习方法用于医学图像分割。医学图像分割领域的深度相关技术已经成熟,具有广阔的应用前景。它已经应用于肺图像分割(44),脑部肿瘤和其他组织分割(45),细胞和膜结构分割46,47],骨组织分割[48),胫骨软骨分割(49]。目前,一些框架形成了特定的细分任务,取得了良好的效果,但这还需要进一步的优化来提高分割精度。因此,与传统的图像识别方法相比,深度学习技术可以更准确地完成裂缝舌分割和有利于中医舌图像的自动识别。

在这项研究中,我们提出一个图像语义分割模型基于U-Net模型来检测裂缝舌图像和比较不同的编码器pretraining网络部分和是否添加政府通讯模块和BR模块。改进U-Net模型裂缝舌图像的语义分割精度达到47.5%,高于15.1% FCN模型,SegNet模型高出30.5%,比VGGNet_Unet模型高5.3%,1.8%高于GoogLeNet_Unet模型。同时,改进U-Net模型可以捕捉图像的多尺度上下文信息下multisampling率,计算效率高,能够有效完成的舌头上的裂纹检测图像数据集。虽然改善U-Net模型已经在一定程度上大大提高,实验也有一些局限性。它可以从模型的性能测试数据集模型仍然需要改进。与此同时,从输入到输出的映射神经网络的学习过程是不连续的50]。这种不连续使得图像可以欺骗模型和适当的修改后产生错误的判断51]。在后续工作中,我们需要进行对抗的例子攻击实验模型和修改训练样本(52]。通过添加更具对抗性的样本训练集,我们可以有效地避免一些攻击。我们可以测试该模型通过添加少量的噪声,不能被人类的眼睛干净数据的基础上。在编码器设计部分,我们可以添加额外的网络GoogLeNet网络的基础上保持原始网络不变。

在不久的将来,计算机裂缝性舌诊研究可以从以下几个方面进一步完善和研究。(1)特征提取:定义和提取更多的裂缝特征的首要任务是在未来计算机裂缝性舌诊。在未来计算机舌诊系统,可以协助中医舌诊只用舌头裂缝的形状特征之间的映射关系和临床疾病,进一步简化了计算机舌裂纹诊断的步骤。(2)特性融合:计算机舌诊和计算机舌裂纹诊断与其他诊断方法相结合,促进四个诊断的客观研究中医。(3)系统集成和测试:将计算机裂缝性舌诊的研究成果集成到系统和在一些医院开展大规模的临床试验是计算机舌诊技术的关键步骤去市场。其中,“中医舌诊AI开放平台”和安徽中医药大学联合开发的一个公司在合肥是一个典型的例子。系统集成了舌头图像采集,舌头图像诊断、操作界面和系统的优势。与其它传统舌诊工具相比,它是一个相对完整的舌头计算机辅助诊断系统。此外,计算机的舌头诊断中的应用到移动也是主流趋势。在这个过程中(53],我们分析的概念安全,隐私,和弹性,连同他们的详细关系,制定一套原则,设计一个移动应用程序连接弹性和隐私保护的安全。

数据可用性

在这项研究中提出的数据都可以在请求从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

作者的贡献

m·l·d . z .概念化的研究和调查的数据和方法和软件;m . l .负责资源,验证研究,表现形式分析,可视化研究,并准备初稿;m . L。,W. X., and Y. L. were involved in data curation; M. L., D. Z., K. Y, and W. H. reviewed and edited the manuscript. All authors have read and agreed to the published version.

确认

这项工作是由一个特殊的项目“基于一流的教学改革研究与实践课程建设“中国高等教育学会(2020 jxd01),一个特殊的键字段的项目“人工智能”的学院和大学在广东省(2019 kzdzx1027),省广东大学的关键平台和重大科研项目(重大科学研究projects-Characteristic创新)(2017 ktscx048),和广东省中医药局科研项目(20191411),和广东工业大学建筑工程学院(AI机器人教育工业大学)。