[发明专利]一种基于深度学习的舌象仪舌象分割方法

说明书

本发明公开了一种基于深度学习的舌象仪舌象分割方法，包括：使用图像采集装置进行舌象数据采集；对采集到图像进行数据增强操作，扩大数据集数量，人为对扩大后数据集中的每个图像的舌体区域进行标注，并对标注后的数据集进行划分，划分为训练集、验证集与测试集；将训练集与验证集放入优化后的DeeplabV3+网络进行训练；利用训练好的模型对测试集进行预测，获得舌体图像的每个像素点的分类，与真实值进行对比，得到mIoU值衡量模型能力；对得到的像素点分类，进行新图创建与复制原图对应像素点操作获得分割后的舌象。

技术领域

本发明涉及舌象仪嵌入式技术领域，具体为一种基于深度学习的舌象仪舌象分割方法。

背景技术

随着人工智能体系技术越来越成熟，深度学习的应用也不断增加，如今深度学习在医学等领域已有应用，申请号为202010034495.5，发明名称为基于U-net模型的舌体自动分割方法的专利申请提出了将其运用在舌像分割当中，但在应用时，其采用传统的网络框架，没有关注舌体的边缘信息，最终得到的图片中舌体形成锯齿或图像缺失，锯齿会使得舌体是否有齿痕以及形状是否正常变得难以判断，图像缺失会使得舌体是否有黑点，颜色是否正常变得难以确定，这些都将导致中医或人工智能在舌诊时容易误诊，因此让网络架构自适应的学习舌体边缘的特点，保证舌体图像提取的完整性、准确性是十分重要的。

发明内容

为解决背景技术中的问题，本发明提出一种基于深度学习的改良后的舌像分割方法，使用图像增强的数据处理方法，并结合优化的深度学习网络进行训练，能更加精准高效地辨别舌体边缘，减少误分割，能大大提高舌象仪分析的准确性，带来患者便利与中医技术推广的双向发展。

本发明采取如下的技术方案：

基于深度学习的舌象仪舌像分割方法，包括如下步骤：

步骤1：使用图像采集装置进行舌象数据采集；

步骤2：对步骤1采集到的图像进行数据增强操作，扩大数据集数量，人为对扩大后数据集中的每个图像的舌体区域进行标注，并对标注后的数据集进行划分，划分为训练集、验证集与测试集；

步骤3：将步骤2中的训练集与验证集放入优化后的DeeplabV3+网络进行训练；

步骤4：利用步骤3中训练好的模型对步骤2中测试集进行预测，获得舌体图像的每个像素点的分类，与真实值进行对比，得到mIoU值衡量模型能力；

步骤5：对步骤4得到的像素点分类，进行新图创建与复制原图对应像素点，获得分割后的舌象。

注意力模型最初被用于机器翻译，现在已成为神经网络领域的一个重要概念。在人工智能领域，注意力已成为神经网络结构的重要组成部分，并在自然语言处理、统计学习、语音和计算机等领域有着大量的应用。注意力模型通过允许模型动态地关注有助于执行手头任务的输入的某些部分，选取合适的注意力机制，并将其添加在恰到好处的地方，可以让网络架构强化对舌体特征的把握，划分出平滑无锯齿无黑点的完整舌体。

进一步的，所述步骤1具体包括：采用分辨率为1920×1080的相机进行图像拍摄采集，采集范围为鼻梁中间以下，下颚以上。

进一步的，所述步骤2具体包括：对采集到的图像以一定概率随机进行-15度到+15度的随机图像旋转，图片镜像翻转，图片放大缩小，以此方法将数据集图像数量扩大至原集合四倍，将数据集按照81：9：1的比例划分为训练集、验证集与测试集。

进一步的，所述步骤3具体包括：在两个特征层的融合处加入CBAM空间通道注意力机制，不改变融合时的宽高和通道数，改进了DeeplabV3+网络，然后将训练集尺寸设为512×512，程序自动放缩图片，并在空余部位填充像素默认值，输入改进的DeeplabV3+网络进行模型训练，使用BCE-Dice损失函数评估模型效果，得到训练好的模型。