传统医学中舌诊的客观化、数据分析与研究应用

本方案采用深度学习算法对舌象图像进行分割，可自动将舌头从整幅图像中分离出来，用于后续研究。本方案比较了四种舌象图像分割算法的性能，以选择能够清晰分割舌体轮廓的基准算法。本研究使用了已获专利的仪器和算法。

建议使用专业仪器并掌握计算机技术。首先，准备好自行研发的手持式舌面诊断仪，以采集患者的舌面图像。在计算机页面上填写患者的姓名、性别、年龄及疾病信息。

接下来，让患者坐直，并调整连接到计算机的图像采集设备。然后，将患者面部置于图像采集仪器中，要求其尽可能将舌头伸出口腔外。通过计算机屏幕上的图像确认患者处于正确位置，且舌头和面部完全暴露。

在计算机屏幕上按下拍摄按钮三次，以采集三幅图像。然后，手动选择采集到的面部和舌部图像，并根据软件中的“图像采集”页面对它们进行筛选。

每次从每位患者采集三张图像，并将图像导出至一个文件夹以进行人工筛查。接下来，选择一张标准的、曝光充分、照明良好且清晰的图像，作为算法训练和测试的样本。删除不符合标准图像要求的图像。

排除标准包括舌象和面部暴露不完整，以及图像过暗。进行舌象图像分割时，打开 LabelMe 软件，点击界面左上角的“Open”按钮。选择包含待分割图像的文件夹，并打开相应照片。

单击“创建多边形”按钮以追踪点。追踪舌头和舌部形态，并根据所选区域命名，然后保存。完成所有追踪后，单击“保存”以将图像保存至数据文件夹。

将设备设置为以 1080x1920 像素的尺寸采集图像，并确保填充后图像的尺寸为 1920x1920 像素。对每位患者的图像进行人工筛选，从因不可控因素（如受试者眨眼或镜头遮挡）而拍摄的三张图像中选择并保留一张。为训练模型，收集来自 200 名个体的数据（共 600 张图像），经筛选后保留约 200 张可用图像。

根据图像编号将所有舌象图像随机分为两组，其中70%放入训练集，30%放入测试集文件夹。从其官方网站下载并安装Anaconda Python和LabelMe。激活环境，并完成整体环境的安装与配置。

根据研究目的选择合适的模型。本研究中选择了UNet、SegNet、DeepLab Version 3和PSPNet进行验证。接下来，在已安装的环境中构建深度学习算法模型。

通过调整参数值并使用训练集完成模型训练。结合研究内容，利用LabelMe标注和统一图像尺寸的方法构建所需数据集。通过分割结果的分析，基于精确率、召回率、平均像素精度（MPA）和MIOU四项指标对模型性能进行评估，以获得更全面的评价。

比较四种模型生成的数值，数值越高，表示分割准确率越高，模型性能越好。根据指标结果，UNet 算法在 MIOU、MPA、精确率和召回率方面均优于其他算法，其分割准确率也更高。

PSPNet 在 MIOU、MPA 和召回率方面优于 DeepLab Version 3，而 DeepLab Version 3 模型在所有指标上均低于分割模型。在舌体分割中，图像中的外层红色区域来自舌体分割结果，内层绿色区域来自舌苔分割结果。本研究中，该单元算法在舌体分割中表现良好，后续研究可基于该单元算法进一步开展。