[发明专利]一种基于元学习的中医舌色域自适应分类方法

说明书

本发明公开了一种基于元学习的中医舌色域自适应分类方法，包括构建源域和目标域舌色分类数据集、基于元学习的源域舌色分类网络训练、目标域网络模型微调与高质量伪标签生成、目标域舌色分类模型训练。使用ResNet18作为分类骨干网络，利用源域的有标注数据构建元训练和元测试任务；使用目标域少量标注样本对源域预训练的模型进行微调。利用微调后的模型对目标域的未标注数据进行分类，将分类预测结果作为伪标签。挑选出高质量的伪标签，作为标注数据，对目标域的分类模型进行微调，得到目标域的舌色分类模型，得到一个高精度的目标域舌色分类模型。本方法大大减少了模型的参数量，使模型易于训练和使用，具有良好的实际应用价值。

技术领域

本发明属于计算机视觉和中医舌诊领域，具体涉及计算机图像处理、深度学习、中医舌诊等技术。

背景技术

舌诊是中医望诊的主要内容之一，是辨证施治的重要依据。舌象的变化可真实地反应人体脏腑的虚实、气血的盛衰、病位的深浅、病邪的性质以及预后的好坏，且这种变化迅速而鲜明，是医生诊断的重要依据。但舌诊与中医的其他诊法一样，用语言描述以文字记录，缺乏量化指标和客观记录手段，限制了中医宝贵经验的传承。随着时代的变迁，舌诊客观化已成为中医发展的必然之路。

近年来，深度学习逐渐被应用于舌诊客观化的研究中，大大提高了舌象分析处理的准确率。深度学习之所以能取得理想的性能，是以大量的标记数据为支撑的。然而采集、标记中医舌象样本数据费时费力，有标记的样本数据往往比较匮乏，导致训练出来的网络模型泛化能力较差。通过一台设备采集到的舌象数据训练出来的网络模型应用于另一台设备采集的舌图像时，由于光照、采集环境等条件发生了变化，舌象数据分布特性不一致，分类性能往往下降得十分严重，更有甚者会导致模型的失效。因此，如何提升模型的泛化能力就成为基于深度学习的舌诊客观化研究需要重点解决的问题。

域自适应是解决上述问题的一个重要思路。域自适应旨在学习一个鲁棒的网络模型，使得在源域训练好的模型能够在目标域的新任务上也能获得良好的性能。域自适应有助于解决目标域有标注数据稀缺的问题，避免从头进行数据采集、标注与模型训练，从而提高分类模型的泛化能力和知识迁移复用的能力。

元学习也被称为学习如何学习，其本质是通过构建若干元训练和元测试任务，对网络进行训练，学习到元知识，使其可以快速适应新样本的特点，实现对新任务的高效学习。

本发明利用元学习来解决中医舌色域自适应分类问题，提出了一种中医舌色域自适应分类方法。首先，利用源域的有标注舌色样本数据构建元训练和元测试任务，对舌色分类网络进行训练，学习到源域舌色分类的元知识。然后，将学到的元知识迁移到目标域中，指导目标域网络模型的训练，利用目标域的少量有标注数据和大量的无标注数据，实现目标域舌色样本的准确分类。所提出的方法摆脱了有监督学习对训练样本数据的依赖，具有重要的实际应用价值。

发明内容

本发明的目的在于利用元学习来实现域自适应舌色分类，解决舌色分类模型泛化能力差这个难题，仅使用目标域的少量标注样本，就可以实现目标域舌色的精确分类。

为了达到上述目标，本发明提出了如下的技术方案：首先，使用ResNet18作为分类骨干网络，利用源域的有标注数据构建元训练和元测试任务，对ResNet18进行预训练；然后，使用目标域少量标注样本对源域预训练的模型进行微调，使其快速适应目标域样本数据的特点。利用微调后的模型对目标域的未标注数据进行分类，将分类预测结果作为伪标签。接下来，从中挑选出高质量的伪标签，作为标注数据，对目标域的分类模型进行微调，得到目标域的舌色分类模型。对于剩余的未标注数据，重复上述过程，最终得到一个高精度的目标域舌色分类模型。

该方案包括构建源域和目标域舌色分类数据集、基于元学习的源域舌色分类网络训练、目标域网络模型微调与高质量伪标签生成、目标域舌色分类模型训练等4个步骤。下面详细介绍每一个步骤。

步骤1：构建源域和目标域舌色分类数据集；