مقالة منهجية

تجسيد تشخيص اللسان في الطب التقليدي وتحليل البيانات وتطبيق الدراسة

4.1K مشاهدات

⸱

DOI:

10.3791/65140

⸱

أبريل 14, 2023

 ,  ,  ,  ,  , 
1School of Intelligent Medicine, Chengdu University of Traditional Chinese Medicine

* These authors contributed equally

في هذه المقالة

ملخص

استخدمت الدراسة الحالية U-Net وغيرها من خوارزميات التعلم العميق لتقسيم صورة اللسان ومقارنة نتائج التجزئة للتحقيق في تجسيد تشخيص اللسان.

الملخص

تشخيص اللسان هو تقنية أساسية لتشخيص الطب الصيني التقليدي (TCM) ، وتتزايد الحاجة إلى تجسيد صور اللسان من خلال تقنية معالجة الصور. تقدم هذه الدراسة لمحة عامة عن التقدم المحرز في تشييء اللسان على مدى العقد الماضي وتقارن نماذج التجزئة. يتم إنشاء نماذج التعلم العميق المختلفة للتحقق من الخوارزميات ومقارنتها باستخدام مجموعات صور اللسان الحقيقية. يتم تحليل نقاط القوة والضعف في كل نموذج. تشير النتائج إلى أن خوارزمية U-Net تتفوق على النماذج الأخرى فيما يتعلق بدقة الدقة (PA) ، والاستدعاء ، ومتوسط التقاطع عبر مقاييس الاتحاد (MIoU). ومع ذلك ، على الرغم من التقدم الكبير في الحصول على صورة اللسان ومعالجتها ، لم يتم بعد وضع معيار موحد لتشخيص اللسان الموضوعي. لتسهيل التطبيق الواسع النطاق لصور اللسان الملتقطة باستخدام الأجهزة المحمولة في تشييء تشخيص اللسان ، يمكن إجراء مزيد من الأبحاث معالجة التحديات التي تفرضها صور اللسان الملتقطة في بيئات معقدة.

المقدمة

مراقبة اللسان هي تقنية مستخدمة على نطاق واسع في الطب العرقي الصيني التقليدي (TCM). يمكن أن يعكس لون وشكل اللسان الحالة البدنية وخصائص المرض المختلفة وشدته وتوقعاته. على سبيل المثال ، في طب الهمونغ التقليدي ، يتم استخدام لون اللسان لتحديد درجة حرارة الجسم ، على سبيل المثال ، يشير اللسان الأحمر أو الأرجواني إلى العوامل المرضية المتعلقة بالحرارة. في الطب التبتي ، يتم الحكم على الحالة من خلال مراقبة لسان المريض ، مع الانتباه إلى لون وشكل ورطوبة المخاط. على سبيل المثال ، تصبح ألسنة المرضى الذين يعانون من مرض Heyi حمراء وخشنة أو سوداء وجافة1 ؛ المرضى الذين يعانون من مرض Xieri2 لديهم ألسنة صفراء وجافة. وفي الوقت نفسه ، فإن المرضى الذين يعانون من مرض Badakan3 لديهم لسان أبيض ورطب وناعم4. تكشف هذه الملاحظات عن العلاقة الوثيقة بين سمات اللسان وعلم وظائف الأعضاء وعلم الأمراض. بشكل عام ، تلعب حالة اللسان دورا حيويا في التشخيص وتحديد المرض وتقييم تأثير العلاج.

وفي الوقت نفسه، وبسبب تنوع الظروف المعيشية والممارسات الغذائية بين المجموعات العرقية المختلفة، تتباينات في صور اللسان بشكل واضح. تمت صياغة نموذج المختبر ، الذي تم إنشاؤه على أساس معيار دولي لتحديد اللون ، من قبل اللجنة الدولية للإكلير (CIE) في عام 1931. في عام 1976 ، تم تعديل نمط اللون وتسميته. يتكون نموذج ألوان Lab من ثلاثة عناصر: L يتوافق مع السطوع ، بينما a و b هما قناتان لونيتان. (أ) يشمل ألوانا من الأخضر الداكن (قيمة سطوع منخفضة) إلى الرمادي (قيمة سطوع متوسطة) إلى الوردي الفاتح (قيمة سطوع عالية)؛ ينتقل b من الأزرق الساطع (قيمة سطوع منخفضة) إلى الرمادي (قيمة سطوع متوسطة) إلى الأصفر (قيمة سطوع عالية). من خلال مقارنة قيم L x a x b للون اللسان لخمس مجموعات عرقية ، وجد Yang et al.5 أن خصائص صور اللسان لمجموعات الهمونغ والهوي وتشوانغ والهان والمنغولية كانت متميزة بشكل كبير عن بعضها البعض. على سبيل المثال ، لدى المنغوليين ألسنة داكنة مع طلاء لسان أصفر ، في حين أن الهمونغ لديهم ألسنة فاتحة مع طلاء لسان أبيض ، مما يشير إلى أنه يمكن استخدام ميزات اللسان كمؤشر تشخيصي لتقييم الحالة الصحية للسكان. علاوة على ذلك ، يمكن أن تعمل صور اللسان كمؤشر تقييم للطب القائم على الأدلة في البحوث السريرية للطب العرقي. استخدم He et al.6 صور اللسان كأساس لتشخيص الطب الصيني التقليدي وقيم بشكل منهجي سلامة وفعالية كريات Chou-Ling-Dan (حبيبات CLD - المستخدمة لعلاج الأمراض الالتهابية والحموية ، بما في ذلك الأنفلونزا الموسمية في الطب الصيني التقليدي) جنبا إلى جنب مع الطب الصيني والغربي. أثبتت النتائج الصلاحية العلمية لصور اللسان كمؤشر تقييم للدراسات السريرية. ومع ذلك ، يعتمد الممارسون الطبيون التقليديون عموما على الذاتية لمراقبة خصائص اللسان وتقييم الظروف الفسيولوجية والمرضية للمرضى ، مما يتطلب مؤشرات أكثر دقة.

مهد ظهور الإنترنت وتكنولوجيا الذكاء الاصطناعي الطريق لرقمنة تشخيص اللسان وتشييئه. تتضمن هذه العملية استخدام نماذج رياضية لتقديم وصف نوعي وموضوعي لصور اللسان7 ، مما يعكس محتوى صورة اللسان. تتضمن العملية عدة خطوات: الحصول على الصور ، والتعويض البصري ، وتصحيح الألوان ، والتحويل الهندسي. ثم يتم إدخال الصور المعالجة مسبقا في نموذج خوارزمي لتحديد موضع الصورة وتجزئتها ، واستخراج الميزات ، والتعرف على الأنماط ، وما إلى ذلك. ناتج هذه العملية هو تشخيص عالي الكفاءة والدقة لبيانات صورة اللسان ، وبالتالي تحقيق هدف التشييء والقياس الكمي والمعلوماتية لتشخيص اللسان8. وبالتالي ، يتم تحقيق الغرض من الكفاءة العالية والمعالجة عالية الدقة لبيانات تشخيص اللسان. استنادا إلى معرفة تشخيص اللسان وتكنولوجيا التعلم العميق ، قامت هذه الدراسة تلقائيا بفصل جسم اللسان وطلاء اللسان عن صور اللسان باستخدام خوارزمية الكمبيوتر ، من أجل استخراج السمات الكمية للألسنة للأطباء ، وتحسين موثوقية واتساق التشخيص ، وتوفير طرق لأبحاث تشييء تشخيص اللسان اللاحقة9.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تمت الموافقة على هذه الدراسة من قبل مشروع المؤسسة الوطنية للعلوم الطبيعية في الصين ، بناء قواعد التغيير الديناميكي لصورة الوجه TCM بناء على تحليل الارتباط. رقم الموافقة على الأخلاقيات هو 2021KL-027 ، وقد وافقت لجنة الأخلاقيات على الدراسة السريرية التي سيتم إجراؤها وفقا للوثائق المعتمدة والتي تشمل بروتوكول البحث السريري (2021.04.12 ، V2.0) ، الموافقة المستنيرة (2021.04.12 ، V2.0) ، مواد توظيف الموضوع (2021.04.12 ، V2.0) ، حالات الدراسة و / أو تقارير الحالة ، بطاقات مذكرات الموضوع والاستبيانات الأخرى (2021.04.12 ، V2.0) ، قائمة المشاركين في التجربة السريرية ، الموافقة على مشروع البحث ، إلخ. تم الحصول على موافقة مستنيرة من المرضى المشاركين في الدراسة. النهج التجريبي الرئيسي لهذه الدراسة هو استخدام صور اللسان الحقيقية للتحقق من صحة ومقارنة تأثيرات تجزئة النموذج. يعرض الشكل 1 مكونات تشييء تشخيص اللسان.

1. الحصول على الصور

  1. استخدم أداة تشخيص الوجه اللساني المحمولة باليد المطورة ذاتيا لجمع صور الوجه اللسانية للمرضى.
  2. املأ اسم المريض وجنسه وعمره ومرضه على صفحة الكمبيوتر. الصور المدرجة هنا هي من المرضى الذين جاءوا إلى العيادة ووافقوا على تصويرهم بعد إبلاغهم بالغرض من الدراسة ومحتواها. تأكد من أن المريض يجلس في وضع مستقيم ، ضع الوجه بالكامل في أداة التقاط الصور ، واطلب من المريض مد لسانه خارج فمه إلى أقصى حد.
  3. أمسك جهاز التقاط الصور متصلا بجهاز كمبيوتر وتحقق من خلال الصور الموجودة على شاشة الكمبيوتر من أن المريض في الموضع الصحيح وأن اللسان والوجه مكشوفان تماما.
  4. اضغط على زر Shoot على شاشة الكمبيوتر ثلاث مرات لالتقاط ثلاث صور.
    ملاحظة: أداة الحصول على الصور حاليا في مرحلة طلب البراءة فقط وليست للاستخدام التجاري ، لذا فهي ليست للبيع.
  5. حدد يدويا وتصفية صور اللسان والوجه التي تم جمعها. قم بتصفية واستبعاد الصور التي تحتوي على تعرض غير مكتمل للسان والوجه ، وكذلك الصور المظلمة جدا بسبب عدم كفاية الإضاءة. يوضح الشكل 2 صفحة الحصول على الصور الخاصة بالبرنامج.
  6. في التصميم التجريبي ، اجمع ثلاث صور من كل مريض في وقت واحد كبدائل وحدد صورة قياسية نسبيا ومكشوفة بالكامل ومضاءة جيدا وواضحة كعينة للتدريب والاختبار الخوارزمية اللاحق.
  7. اجمع البيانات بعد التصوير ، وقم بتصدير البيانات للفحص اليدوي ، واحذف الصور غير القياسية المرئية بالعين المجردة. استخدم معايير التصفية والاستبعاد التالية: التعرض غير الكامل للسان والوجه ، والصور المظلمة جدا نتيجة لعدم كفاية الإضاءة. يوضح الشكل 3 مثالا على صورة غير مضاءة وغير مكتملة وقياسية.
    ملاحظة: يحدث الضوء غير الكافي بشكل عام بسبب فشل المريض في وضع الوجه بالكامل في الجهاز. عادة ما يتم الحصول على التعرض الكامل فقط عن طريق تصوير المريض بشكل صحيح.

2. تجزئة اللسان

  1. قم بإجراء تجزئة صورة اللسان باستخدام أداة التعليقات التوضيحية عبر الإنترنت ، كما هو موضح أدناه.
    1. قم بتثبيت Labelme ، وانقر فوق الزر "فتح " في الزاوية اليسرى العليا من واجهة التسمية ، وحدد المجلد الذي توجد به الصورة ، وافتح الصور.
    2. انقر فوق إنشاء مضلع لبدء نقاط التتبع ، وتتبع اللسان والأشكال اللغوية ، وقم بتسميتها وفقا للمناطق المحددة (على سبيل المثال ، اللسان والسطح اللغوي) ، واحفظها.
    3. عند اكتمال جميع العلامات ، انقر فوق حفظ لحفظ الصورة في مجلد البيانات. انظر الشكل 4 للحصول على مخطط انسيابي مفصل.
      ملاحظة: نظرا لأن الصور قد تحتوي على اختلافات في وحدات البكسل ، فلا يمكن استخدام الصور مباشرة للتدريب على الخوارزمية واختبارها.
  2. قم بتوحيد الصور بنفس الحجم عن طريق تعبئة الصور بالحافة ، مع الجانب الطويل من الصورة كطول التعبئة المستهدفة وإجراء تعبئة حافة بيضاء لتعبئة الصور إلى مربع ، مع الجانب الطويل من الصورة كطول الحافة. حجم الصورة الملتقطة بواسطة الجهاز هو 1080 × 1920 بكسل ، وحجم الصورة المملوءة 1920 × 1920 بكسل. انظر الشكل 5.
  3. تطبيق تحسين الصورة إذا لزم الأمر. لم يتم تطبيق أي تحسين في هذه الدراسة ، حيث تم التقاط الصور المستخدمة في مشهد ثابت وكانت أقل تأثرا بالبيئة والإضاءة وعوامل أخرى.
  4. نظرا لأنه تم جمع ثلاث صور لكل مريض أثناء عملية التصوير لحساب العوامل التي لا يمكن السيطرة عليها ، مثل وميض الهدف وحجب العدسة ، قم بفحص الصور يدويا من كل مريض للاحتفاظ بصورة واحدة لكل مريض.
  5. لغرض تدريب النموذج ، اجمع البيانات من 200 شخص ، أو 600 صورة. بعد الفحص ، احتفظ بحوالي 200 صورة قابلة للاستخدام.
  6. وفقا لرقم الصورة ، قسم جميع صور اللسان بشكل عشوائي ، وضع 70٪ منها في مجموعة التدريب و 30٪ في مجموعة الاختبار في جدول بيانات.

3. تصنيف اللسان

  1. انتقل إلى المواقع الرسمية وقم بتنزيل وتثبيت Anaconda و Python و Labelme. تنشيط البيئة واستكمال تثبيت وتعديل البيئة العامة. انظر الشكل 6 للحصول على مخطط انسيابي يصف تثبيت البرنامج وإعداده.
  2. قم ببناء نموذج خوارزمية التعلم العميق في البيئة المثبتة ، وضبط المعلمات ، وإكمال تدريب النموذج باستخدام مجموعة التدريب. قم بإجراء تحديد النموذج وضبطه كما هو موضح في الخطوات التالية.
    1. اختيار النموذج: اختيار النموذج المناسب بناء على الغرض من البحث. بعد مراجعة الأبحاث حول معالجة صور اللسان في السنوات الخمس الماضية ، تم اختيار أربع خوارزميات ، U-Net و Seg-Net و DeeplabV3 و PSPNet ، للتحقق من صحتها في هذه الدراسة (انظر ملف الترميز التكميلي 1 ، ملف الترميز التكميلي 2 ، ملف الترميز التكميلي 3 ، وملف الترميز التكميلي 4 لرموز النماذج).
    2. بناء مجموعة البيانات: بعد الانتهاء من اختيار النموذج ، قم ببناء مجموعة البيانات المطلوبة بالتزامن مع محتوى البحث ، بشكل أساسي باستخدام التعليق التوضيحي Labelme وطرق حجم الصورة الموحدة ، كما هو موضح أعلاه.
  3. قم بإجراء تدريب نموذجي كما هو موضح أدناه. يوضح الشكل 7 تفاصيل عملية تدريب الخوارزمية.
    1. أدخل البيانات في الشبكة العصبية للانتشار الأمامي ، حيث تقوم كل خلية عصبية أولا بإدخال تراكم مرجح للقيم ثم إدخال وظيفة تنشيط كقيمة خرج لتلك الخلية العصبية للحصول على النتيجة.
    2. أدخل النتيجة في وظيفة الخطأ وقارنها بالقيمة المتوقعة للحصول على الخطأ والحكم على درجة التعرف عن طريق الخطأ. كلما كانت وظيفة الخسارة أصغر ، كان النموذج أفضل.
    3. تقليل الخطأ عن طريق الانتشار الخلفي وتحديد متجه التدرج. اضبط الأوزان حسب متجه التدرج إلى الاتجاه نحو النتائج بحيث يميل الخطأ إلى الصفر أو يتقلص.
    4. كرر عملية التدريب هذه حتى تكتمل المجموعة أو لا تنخفض قيمة الخطأ ، وعند هذه النقطة يكتمل تدريب النموذج. انظر الشكل 8 للحصول على مخطط انسيابي لنموذج الخوارزمية في التدريب والاختبار.
  4. اختبر النماذج الأربعة باستخدام نفس بيانات الاختبار للتجزئة واحكم على أداء النموذج وفقا لتأثير التجزئة. توفر المقاييس الأربعة للدقة والاستدعاء ومتوسط دقة البكسل (MPA) و MIoU تقييما أكثر شمولا لأداء النموذج.
  5. بعد إنشاء نتائج النماذج الأربعة ، قارن قيمها أفقيا ؛ كلما زادت القيمة ، زادت دقة التجزئة وكان أداء النموذج أفضل. انظر الشكل 9 والشكل 10 والشكل 11.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

للحصول على نتائج المقارنة ، انظر الشكل 12 والشكل 13 والجدول 1 ، حيث تستخدم البيئة التي أنشأتها هذه الدراسة نفس العينات لتدريب واختبار نموذج الخوارزمية. مؤشر MIoU: U-Net > Seg-Net > PSPNet > DeeplabV3 ؛ مؤشر MPA: U-Net > Seg-Net > PSPNet > DeeplabV3 ؛ مؤشر الدقة: U-Net > Seg-Net > DeeplabV3 > PSPNet ؛ أذكر: يو نت > Seg-Net > PSPNet > DeeplabV3. كلما كانت قيمة المؤشر أكبر ، زادت دقة التجزئة وكان أداء النموذج أفض...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

بناء على نتائج المقارنة المعروضة أعلاه ، من الواضح أن خصائص الخوارزميات الأربعة قيد النظر متنوعة ، ومزاياها وعيوبها المميزة موصوفة أدناه. يمكن لهيكل U-Net ، القائم على تعديل وتوسيع شبكة التفاف كاملة ، الحصول على معلومات سياقية وتحديد المواقع بدقة من خلال مسار تعاقد ومسار توسع متماثل. من خلال تصنيف كل نقطة بكسل ، تحقق هذه الخوارزمية دقة تجزئة أعلى وتقسم الصورة مع النموذج المدرب بسرعة أكبر. من ناحية أخرى ، تتمتع خوارزمية Seg-Net ، التي تضم بنية متماثلة لجهاز التشفير ووحدة فك التشفير ، بميزة التكيف بسرعة مع المشكلات الجديدة...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

ليس لدى المؤلفين أي تضارب في المصالح للإعلان.

شكر وتقدير

تم دعم هذا العمل من قبل مؤسسة الطبيعة الوطنية في الصين (المنحة رقم 82004504) ، والبرنامج الوطني للبحث والتطوير الرئيسي التابع لوزارة العلوم والتكنولوجيا في الصين (منحة رقم 2018YFC1707606) ، وإدارة الطب الصيني في مقاطعة سيتشوان (منحة رقم 2021MS199) ومؤسسة الطبيعة الوطنية الصينية (منحة رقم 82174236).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
وحدة المعالجة المركزيةIntel(R) Core(TM) i7-9700K
GPU  NVIDIA GeForce RTX 3070 Ti (8192MB)
أنظمة التشغيلMicrosoft Windows 10 Professional Edition (64 بت)
لغة البرمجةPython
RAM16G

المراجع

  1. Jiu, G., et al. Effects of herbal therapy on intestinal microbiota and serum metabolomics in different rat models of Mongolian medicine. Evidence-Based Complementary and Alternative. 2022, 7255780(2022).
  2. Xi, J., Xin, Y., Teregle, Study on the correlation between the animal model of Mongolian medicine 34;Xieri disease" and serum ALT and AST. Electronic Journal of Cardiovascular Diseases in Combination of Traditional Chinese. 4 (33), 134-135 (2016).
  3. Yin, L., et al. Study on the mechanism of serum differential protein changes in bronchial asthma based on proteomics. Chinese Journal of Traditional Chinese Medicine. 47 (22), 6227-6234 (2022).
  4. Wang, X. H., Bao, L. Band Seed. The origin and development of tongue diagnosis in Mongolian medicine. Chinese Ethnic Folk Medicine. (1), 64-65 (2008).
  5. Yang, S., et al. A comparative study on the feature parameters of tongue diagnosis images in five nationalities. Chinese Journal of Traditional Chinese Medicine. 36 (11), 6428-6430 (2021).
  6. He, J. Y., et al. Efficacy and safety of Chou-Ling-Dan granules in the treatment of seasonal influenza via combining Western and traditional Chinese medicine, protocol for a multicentre, randomised controlled clinical trial. BMJ Open. 9 (4), e024800(2019).
  7. Wang, D. J., et al. Scientific knowledge mapping and visualization analysis in the field of Chinese medicine tongue feature objectification research. World Science and Technology - Modernization of Chinese Medicine. 23 (9), 3032-3040 (2021).
  8. Yuan, S. M., Qian, P., Li, F. F. Research progress of color correction methods for tongue and face diagnosis in traditional Chinese Medicine. Chinese Journal of Traditional Chinese Medicine. 34 (9), 4183-4185 (2019).
  9. Kanawong, R., et al. Tongue image analysis and its mobile app development for health diagnosis. Advances in Experimental Medicine and Biology. 1005, 99-121 (2017).
  10. Yu, Y., et al. Semantic segmentation evaluation index and evaluation method. Computer Engineering and Application. , (2023).
  11. Sehyung, L., Negishi, M., Urakubo, H., Kasai, H., Ishii, S. Mu-net: Multi-scale U-net for two-photon microscopy image denoising and restoration. Neural Networks. 125, 92-103 (2020).
  12. Huang, X. M., et al. A review on the application of U-Net and its variants in medical image segmentation. Chinese Journal of Biomedical Engineering. 41 (5), 567-576 (2022).
  13. Lu, J. H., Xu, Y. F., Wang, Y. Q., Hao, Y. M. Research overview of tongue objectification in traditional Chinese medicine based on computer image technology. World Science and Technology - Modernization of Traditional Chinese Medicine. 24 (11), 4568-4573 (2022).
  14. Mansour, R. F., Althobaiti, M. M., Ashour, A. A. Internet of things and synergic deep learning based biomedical tongue color image analysis for disease diagnosis and classification. IEEE Access. 9, 94769-94779 (2021).
  15. Cai, Y. H., Hu, S. B., Guan, J., Zhang, X. F. Analysis of the development and application of tongue diagnosis objectification techniques in Chinese medicine. World Science and Technology - Modernization of Chinese Medicine. 23 (7), 2447-2453 (2021).
  16. Ghosh, S., Das, N., Nasipuri, M. Reshaping inputs for convolutional neural network: some common and uncommon methods. Pattern Recognition. 93, 79-94 (2019).
  17. Shang, Z. M., et al. Research progress of digital acquisition and characterization of tongue diagnosis information. Chinese Journal of Traditional Chinese Medicine. 36 (10), 6010-6013 (2021).
  18. Ning, J., Zhang, D., Wu, C., Yue, F. Automatic tongue image segmentation based on gradient vector flow and region merging. Neural Computing and Applications. 21, 1819-1826 (2012).
  19. Zheng, F., Huang, X. Y., Wang, B. L., Wang, Y. H. A method for tongue detection based on image segmentation. Journal of Xiamen University. 55 (6), 895-900 (2016).
  20. Li, Y. T., Luo, Y. S., Zhu, Z. M. Deep learning-based tongue feature analysis. Computer Science. 47 (11), 148-158 (2020).
  21. Wang, Y. D., Sun, C. H., Cui, J. L., Wu, X. R., Qin, Y. X. Research on deep learning-based tongue fissure segmentation algorithm. World Science and Technology - Modernization of Chinese Medicine. 23 (9), 3065-3073 (2021).
  22. Wang, X. M., Wang, R. Y., Guo, D., Lu, S. Z., Zhou, P. Research on the identification method of tongue punctures based on auxiliary light source. Journal of Sensing Technology. 29 (10), 1553-1559 (2016).
  23. Yang, J. D., Zhang, P. A fully connected neural network based on migration learning for tongue image classification. Journal of the Second Military Medical University. 39 (8), 897-902 (2018).
  24. Song, C., Wang, B., Xu, J. T. Research on tongue feature classification method based on deep migration learning. Computer Engineering and Science. 43 (8), 1488-1496 (2021).
  25. Ding, H. J., He, J. C. Study on modern techniques and methods of tongue diagnosis. Shi Zhen Chinese Medicine. 21 (5), 1230-1232 (2010).
  26. Zhai, P. B., et al. A multi-stage tongue image classification algorithm incorporating attention mechanism. Computer Engineering and Design. 42 (6), 1606-1613 (2021).
  27. Hou, Y. S. A new clustering analysis algorithm based on deep learning. Journal of Xinxiang University. 35 (12), 4(2018).
  28. Shi, Y. L., et al. A decision tree algorithm for classification of non-small cell lung cancer evidence based on tongue and pulse data. World Science and Technology - Modernization of Chinese Medicine. 24 (7), 2766-2775 (2022).
  29. Li, J., Hu, X. J., Zhou, C. L., Xu, J. T. Study on the feature analysis and diagnosis model of diabetic tongue based on random forest algorithm. Chinese Journal of Traditional Chinese Medicine. 37 (3), 1639-1643 (2022).
  30. Chen, C. H., et al. The characteristics of the combination of the four diagnostic methods of traditional Chinese medicine from the perspective of the differences between Chinese and Western medical diagnosis methods. Journal of Guangzhou University of Traditional Chinese Medicine. 28 (3), 332-334 (2011).
  31. Chen, R., et al. Correlation analysis of tongue image and western medicine typing in 382 patients with novel coronavirus pneumonia based on Lab colour model and imaging histology. Chinese Journal of Traditional Chinese Medicine. 36 (12), 7010-7014 (2021).
  32. Ju, J. W., Jung, H., Lee, Y. J., Mun, S. W., Lee, J. H. Semantic segmentation dataset for AI-based quantification of clean mucosa in capsule endoscopy. Medicina. 58 (3), 397(2022).
  33. Wu, X., et al. A review of research on deep learning in tongue image classification. Computer Science and Exploration. , 1-23 (2022).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

UNet LabelMe

مقالات ذات صلة