Name: Objetivación del diagnóstico de la lengua en medicina tradicional, análisis de datos y aplicación de estudios (Video) | JoVE Journal
Uploaded: 2023-04-14T14:15:00.000+00:00
Duration: 5 min 56 s
Description: Aprende a segmentar imágenes linguales mediante algoritmos de aprendizaje profundo U-Net y otros modelos. Este método computacional mejora el diagnóstico en medicina tradicional con mayor precisión.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Este trabajo fue apoyado por la Fundación Nacional de la Naturaleza de China (subvención no.82004504), el Programa Nacional de Investigación y Desarrollo Clave del Ministerio de Ciencia y Tecnología de China (subvención no.2018YFC1707606), la Administración de Medicina China de la Provincia de Sichuan (subvención no.2021MS199) y la Fundación Nacional de la Naturaleza de China (subvención no.82174236).

Este estudio ha sido aprobado por el proyecto de la Fundación Nacional de Ciencias Naturales de China, Constructing Dynamic Change rules of TCM Facial image Based on Association Analysis. El número de aprobación ética es 2021KL-027, y el comité de ética ha aprobado que el estudio clínico se lleve a cabo de acuerdo con los documentos aprobados que incluyen el protocolo de investigación clínica (2021.04.12, V2.0), consentimiento informado (2021.04.12, V2.0), materiales de reclutamiento de sujetos (2021.04.12, V2.0), casos de estudio y / o informes de casos, tarjetas del diario de sujetos y otros cuestionarios (2021.04.12, V2.0), una lista de participantes en el ensayo clínico, aprobación de proyectos de investigación, etc. Se obtuvo el consentimiento informado de los pacientes participantes en el estudio. El principal enfoque experimental de este estudio es utilizar imágenes de lengua real para validar y comparar los efectos de segmentación del modelo. La Figura 1 presenta los componentes de la objetivación del diagnóstico de la lengua.
1. Adquisición de imágenes
<ol><li>Utilice el instrumento de diagnóstico facial lingual de mano de desarrollo propio para recopilar imágenes faciales linguales de los pacientes.</li>
	<li>Complete el nombre, el sexo, la edad y la enfermedad del paciente en la página de la computadora. Las imágenes incluidas aquí son de pacientes que vinieron a la clínica y aceptaron ser fotografiados después de ser informados del propósito y el contenido del estudio. Confirme que el paciente está sentado erguido, coloque toda la cara en el instrumento de adquisición de imágenes e indique al paciente que extienda la lengua fuera de la boca en la mayor medida posible.</li>
	<li>Sostenga el dispositivo de adquisición de imágenes conectado a una computadora y verifique a través de las imágenes en la pantalla de la computadora que el paciente está en la posición correcta y que la lengua y la cara están completamente expuestas.</li>
	<li>Presione el botón Disparar en la pantalla de la computadora tres veces para tomar tres fotos. NOTA: El instrumento de adquisición de imágenes se encuentra actualmente solo en la etapa de solicitud de patente y no es para uso comercial, por lo que no está a la venta.</li>
	<li>Seleccione y filtre manualmente las imágenes de lengua y cara recogidas. Filtre y excluya imágenes que tengan una exposición incompleta de la lengua y la cara, así como imágenes que sean demasiado oscuras debido a la falta de luz. La figura 2 muestra la página de adquisición de imágenes del software.</li>
	<li>En el diseño experimental, recopile tres imágenes de cada paciente a la vez como alternativas y seleccione una imagen relativamente estándar, totalmente expuesta, bien iluminada y clara como muestra para el entrenamiento y la prueba posteriores del algoritmo.</li>
	<li>Recopile datos después del disparo, exporte los datos para la detección manual y elimine las imágenes no estándar visibles a simple vista. Utilice los siguientes criterios de filtrado y exclusión: exposición incompleta de la lengua y la cara, e imágenes demasiado oscuras como resultado de la falta de luz. En la figura 3 se muestra un ejemplo de una imagen subiluminada, una imagen incompleta y una imagen estándar. NOTA: La luz insuficiente generalmente es causada por el hecho de que el paciente no coloca la cara completamente en el instrumento. La exposición completa generalmente solo se obtiene fotografiando correctamente al paciente.</li>
</ol>2. Segmentación de la lengua
<ol><li>Realice la segmentación de imágenes de lengua utilizando una herramienta de anotación en línea, como se describe a continuación.<ol><li>Instale Labelme, haga clic en el botón Abrir en la esquina superior izquierda de la interfaz de etiqueta, seleccione la carpeta donde se encuentra la imagen y abra las fotos.</li>
		<li>Haga clic en crear polígono para iniciar los puntos de seguimiento, rastrear la lengua y las formas linguales, nombrarlos de acuerdo con las áreas seleccionadas (por ejemplo, lengua y superficie lingual) y guardarlos.</li>
		<li>Cuando se hayan completado todas las marcas, haga clic en Guardar para guardar la imagen en la carpeta de datos. Consulte la Figura 4 para obtener un diagrama de flujo detallado. NOTA: Como las imágenes pueden tener diferencias de píxeles, las imágenes no se pueden utilizar directamente para el entrenamiento y la prueba de algoritmos.</li>
	</ol></li>
	<li>Unifique las imágenes al mismo tamaño rellenando las imágenes con bordes, con el lado largo de la imagen como longitud de relleno de destino y realizando un relleno de bordes blancos para rellenar las imágenes en un cuadrado, con el lado largo de la imagen como longitud de borde. El tamaño de la imagen capturada por el dispositivo es de 1080 x 1920 píxeles y el tamaño de la imagen rellena es de 1920 x 1920 píxeles. Consulte la figura 5.</li>
	<li>Aplique mejoras de imagen si es necesario. No se aplicó ninguna mejora en este estudio, ya que las imágenes utilizadas se tomaron en una escena fija y se vieron menos afectadas por el entorno, la iluminación y otros factores.</li>
	<li>Debido a que se recopilaron tres imágenes para cada paciente durante el proceso de disparo para tener en cuenta factores incontrolables, como el parpadeo del sujeto y el bloqueo de la lente, filtre manualmente las imágenes de cada paciente para retener una imagen por paciente.</li>
	<li>Con el fin de entrenar el modelo, recopile datos de 200 personas o 600 imágenes. Después de la proyección, conserve alrededor de 200 imágenes utilizables.</li>
	<li>De acuerdo con el número de imagen, divida aleatoriamente todas las imágenes de la lengua, colocando el 70% de ellas en el conjunto de entrenamiento y el 30% en el conjunto de prueba en una hoja de cálculo.</li>
</ol>3. Clasificación de la lengua
<ol><li>Vaya a los sitios web oficiales y descargue e instale Anaconda, Python y Labelme. Active el entorno y complete la instalación y el ajuste del entorno general. Consulte la figura 6 para ver un diagrama de flujo que describe la instalación y configuración del software.</li>
	<li>Cree el modelo de algoritmo de aprendizaje profundo en el entorno instalado, ajuste los parámetros y complete el entrenamiento del modelo con el conjunto de entrenamiento. Realice la selección y el ajuste del modelo como se describe en los pasos siguientes.<ol><li>Selección del modelo: Elija el modelo apropiado según el propósito de la investigación. Después de revisar la investigación sobre el procesamiento de imágenes de lengua en los últimos 5 años, cuatro algoritmos, U-Net, Seg-Net, DeeplabV3 y PSPNet, fueron seleccionados para su validación en este estudio (ver Archivo de codificación suplementaria 1, Archivo de codificación suplementaria 2, Archivo de codificación suplementaria 3 y Archivo de codificación suplementaria 4 para códigos de modelo). </li>
		<li>Construcción del conjunto de datos: Después de completar la selección del modelo, construya el conjunto de datos requerido junto con el contenido de la investigación, principalmente utilizando la anotación Labelme y los métodos de tamaño de imagen uniforme, como se describió anteriormente.</li>
	</ol></li>
	<li>Realice el entrenamiento del modelo como se describe a continuación. La figura 7 muestra detalles de la operación de entrenamiento del algoritmo.<ol><li>Ingrese los datos en la red neuronal para la propagación hacia adelante, con cada neurona primero ingresando una acumulación ponderada de valores y luego ingresando una función de activación como el valor de salida de esa neurona para obtener el resultado.</li>
		<li>Ingrese el resultado en la función de error y compárelo con el valor esperado para obtener el error y juzgar el grado de reconocimiento por error. Cuanto menor sea la función de pérdida, mejor será el modelo.</li>
		<li>Reduzca el error mediante la propagación hacia atrás y determine el vector de degradado. Ajuste los pesos por el vector de degradado a la tendencia hacia los resultados para que el error tienda a cero o se contraiga.</li>
		<li>Repita este proceso de entrenamiento hasta que se complete el conjunto o el valor de error ya no disminuya, momento en el que se completa el entrenamiento del modelo. Consulte la figura 8 para obtener un diagrama de flujo del modelo de algoritmo en entrenamiento y pruebas.</li>
	</ol></li>
	<li>Pruebe los cuatro modelos utilizando los mismos datos de prueba para la segmentación y juzgue el rendimiento del modelo de acuerdo con el efecto de segmentación. Las cuatro métricas de precisión, recuperación, precisión media de píxeles (MPA) y MIoU proporcionan una evaluación más completa del rendimiento del modelo.</li>
	<li>Después de generar los resultados de los cuatro modelos, compare sus valores horizontalmente; Cuanto mayor sea el valor, mayor será la precisión de segmentación y mejor será el rendimiento del modelo. Consulte la figura 9, la figura 10 y la figura 11.</li>
</ol>

<ol><li>Jiu, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Effects+of+herbal+therapy+on+intestinal+microbiota+and+serum+metabolomics+in+different+rat+models+of+Mongolian+medicine%5BTitle%5D)+AND+%22Evidence-Based+Complementary+and+Alternative%22%5BJournal%5D)">Effects of herbal therapy on intestinal microbiota and serum metabolomics in different rat models of Mongolian medicine.</a> Evidence-Based Complementary and Alternative. 2022, 7255780(2022).</li>
<li>Xi, J., Xin, Y., Teregle, <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Study+on+the+correlation+between+the+animal+model+of+Mongolian+medicine+34%3BXieri+disease%26%2334%3B+and+serum+ALT+and+AST%5BTitle%5D)+AND+%22Electronic+Journal+of+Cardiovascular+Diseases+in+Combination+of+Traditional+Chinese%22%5BJournal%5D)">Study on the correlation between the animal model of Mongolian medicine 34;Xieri disease&#34; and serum ALT and AST.</a> Electronic Journal of Cardiovascular Diseases in Combination of Traditional Chinese. 4 (33), 134-135 (2016).</li>
<li>Yin, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Study+on+the+mechanism+of+serum+differential+protein+changes+in+bronchial+asthma+based+on+proteomics%5BTitle%5D)+AND+%22Chinese+Journal+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">Study on the mechanism of serum differential protein changes in bronchial asthma based on proteomics.</a> Chinese Journal of Traditional Chinese Medicine. 47 (22), 6227-6234 (2022).</li>
<li>Wang, X. H., Bao, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Band+Seed.+The+origin+and+development+of+tongue+diagnosis+in+Mongolian+medicine%5BTitle%5D)+AND+%22Chinese+Ethnic+Folk+Medicine%22%5BJournal%5D)">Band Seed. The origin and development of tongue diagnosis in Mongolian medicine.</a> Chinese Ethnic Folk Medicine. (1), 64-65 (2008).</li>
<li>Yang, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparative+study+on+the+feature+parameters+of+tongue+diagnosis+images+in+five+nationalities%5BTitle%5D)+AND+%22Chinese+Journal+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">A comparative study on the feature parameters of tongue diagnosis images in five nationalities.</a> Chinese Journal of Traditional Chinese Medicine. 36 (11), 6428-6430 (2021).</li>
<li>He, J. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Efficacy+and+safety+of+Chou-Ling-Dan+granules+in+the+treatment+of+seasonal+influenza+via+combining+Western+and+traditional+Chinese+medicine%2C+protocol+for+a+multicentre%2C+randomised+controlled+clinical+trial%5BTitle%5D)+AND+%22BMJ+Open%22%5BJournal%5D)">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.</a> BMJ Open. 9 (4), e024800(2019).</li>
<li>Wang, D. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Scientific+knowledge+mapping+and+visualization+analysis+in+the+field+of+Chinese+medicine+tongue+feature+objectification+research%5BTitle%5D)+AND+%22World+Science+and+Technology+-+Modernization+of+Chinese+Medicine%22%5BJournal%5D)">Scientific knowledge mapping and visualization analysis in the field of Chinese medicine tongue feature objectification research.</a> World Science and Technology - Modernization of Chinese Medicine. 23 (9), 3032-3040 (2021).</li>
<li>Yuan, S. M., Qian, P., Li, F. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Research+progress+of+color+correction+methods+for+tongue+and+face+diagnosis+in+traditional+Chinese+Medicine%5BTitle%5D)+AND+%22Chinese+Journal+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">Research progress of color correction methods for tongue and face diagnosis in traditional Chinese Medicine.</a> Chinese Journal of Traditional Chinese Medicine. 34 (9), 4183-4185 (2019).</li>
<li>Kanawong, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tongue+image+analysis+and+its+mobile+app+development+for+health+diagnosis%5BTitle%5D)+AND+%22Advances+in+Experimental+Medicine+and+Biology%22%5BJournal%5D)">Tongue image analysis and its mobile app development for health diagnosis.</a> Advances in Experimental Medicine and Biology. 1005, 99-121 (2017).</li>
<li>Yu, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Semantic+segmentation+evaluation+index+and+evaluation+method%5BTitle%5D)+AND+%22Computer+Engineering+and+Application%22%5BJournal%5D)">Semantic segmentation evaluation index and evaluation method.</a> Computer Engineering and Application. , (2023).</li>
<li>Sehyung, L., Negishi, M., Urakubo, H., Kasai, H., Ishii, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mu-net%3A+Multi-scale+U-net+for+two-photon+microscopy+image+denoising+and+restoration%5BTitle%5D)+AND+%22Neural+Networks%22%5BJournal%5D)">Mu-net: Multi-scale U-net for two-photon microscopy image denoising and restoration.</a> Neural Networks. 125, 92-103 (2020).</li>
<li>Huang, X. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+on+the+application+of+U-Net+and+its+variants+in+medical+image+segmentation%5BTitle%5D)+AND+%22Chinese+Journal+of+Biomedical+Engineering%22%5BJournal%5D)">A review on the application of U-Net and its variants in medical image segmentation.</a> Chinese Journal of Biomedical Engineering. 41 (5), 567-576 (2022).</li>
<li>Lu, J. H., Xu, Y. F., Wang, Y. Q., Hao, Y. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Research+overview+of+tongue+objectification+in+traditional+Chinese+medicine+based+on+computer+image+technology%5BTitle%5D)+AND+%22World+Science+and+Technology+-+Modernization+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">Research overview of tongue objectification in traditional Chinese medicine based on computer image technology.</a> World Science and Technology - Modernization of Traditional Chinese Medicine. 24 (11), 4568-4573 (2022).</li>
<li>Mansour, R. F., Althobaiti, M. M., Ashour, A. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Internet+of+things+and+synergic+deep+learning+based+biomedical+tongue+color+image+analysis+for+disease+diagnosis+and+classification%5BTitle%5D)+AND+%22IEEE+Access%22%5BJournal%5D)">Internet of things and synergic deep learning based biomedical tongue color image analysis for disease diagnosis and classification.</a> IEEE Access. 9, 94769-94779 (2021).</li>
<li>Cai, Y. H., Hu, S. B., Guan, J., Zhang, X. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analysis+of+the+development+and+application+of+tongue+diagnosis+objectification+techniques+in+Chinese+medicine%5BTitle%5D)+AND+%22World+Science+and+Technology+-+Modernization+of+Chinese+Medicine%22%5BJournal%5D)">Analysis of the development and application of tongue diagnosis objectification techniques in Chinese medicine.</a> World Science and Technology - Modernization of Chinese Medicine. 23 (7), 2447-2453 (2021).</li>
<li>Ghosh, S., Das, N., Nasipuri, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reshaping+inputs+for+convolutional+neural+network%3A+some+common+and+uncommon+methods%5BTitle%5D)+AND+%22Pattern+Recognition%22%5BJournal%5D)">Reshaping inputs for convolutional neural network: some common and uncommon methods.</a> Pattern Recognition. 93, 79-94 (2019).</li>
<li>Shang, Z. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Research+progress+of+digital+acquisition+and+characterization+of+tongue+diagnosis+information%5BTitle%5D)+AND+%22Chinese+Journal+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">Research progress of digital acquisition and characterization of tongue diagnosis information.</a> Chinese Journal of Traditional Chinese Medicine. 36 (10), 6010-6013 (2021).</li>
<li>Ning, J., Zhang, D., Wu, C., Yue, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+tongue+image+segmentation+based+on+gradient+vector+flow+and+region+merging%5BTitle%5D)+AND+%22Neural+Computing+and+Applications%22%5BJournal%5D)">Automatic tongue image segmentation based on gradient vector flow and region merging.</a> Neural Computing and Applications. 21, 1819-1826 (2012).</li>
<li>Zheng, F., Huang, X. Y., Wang, B. L., Wang, Y. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+tongue+detection+based+on+image+segmentation%5BTitle%5D)+AND+%22Journal+of+Xiamen+University%22%5BJournal%5D)">A method for tongue detection based on image segmentation.</a> Journal of Xiamen University. 55 (6), 895-900 (2016).</li>
<li>Li, Y. T., Luo, Y. S., Zhu, Z. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning-based+tongue+feature+analysis%5BTitle%5D)+AND+%22Computer+Science%22%5BJournal%5D)">Deep learning-based tongue feature analysis.</a> Computer Science. 47 (11), 148-158 (2020).</li>
<li>Wang, Y. D., Sun, C. H., Cui, J. L., Wu, X. R., Qin, Y. X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Research+on+deep+learning-based+tongue+fissure+segmentation+algorithm%5BTitle%5D)+AND+%22World+Science+and+Technology+-+Modernization+of+Chinese+Medicine%22%5BJournal%5D)">Research on deep learning-based tongue fissure segmentation algorithm.</a> World Science and Technology - Modernization of Chinese Medicine. 23 (9), 3065-3073 (2021).</li>
<li>Wang, X. M., Wang, R. Y., Guo, D., Lu, S. Z., Zhou, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Research+on+the+identification+method+of+tongue+punctures+based+on+auxiliary+light+source%5BTitle%5D)+AND+%22Journal+of+Sensing+Technology%22%5BJournal%5D)">Research on the identification method of tongue punctures based on auxiliary light source.</a> Journal of Sensing Technology. 29 (10), 1553-1559 (2016).</li>
<li>Yang, J. D., Zhang, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+fully+connected+neural+network+based+on+migration+learning+for+tongue+image+classification%5BTitle%5D)+AND+%22Journal+of+the+Second+Military+Medical+University%22%5BJournal%5D)">A fully connected neural network based on migration learning for tongue image classification.</a> Journal of the Second Military Medical University. 39 (8), 897-902 (2018).</li>
<li>Song, C., Wang, B., Xu, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Research+on+tongue+feature+classification+method+based+on+deep+migration+learning%5BTitle%5D)+AND+%22Computer+Engineering+and+Science%22%5BJournal%5D)">Research on tongue feature classification method based on deep migration learning.</a> Computer Engineering and Science. 43 (8), 1488-1496 (2021).</li>
<li>Ding, H. J., He, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Study+on+modern+techniques+and+methods+of+tongue+diagnosis%5BTitle%5D)+AND+%22Shi+Zhen+Chinese+Medicine%22%5BJournal%5D)">Study on modern techniques and methods of tongue diagnosis.</a> Shi Zhen Chinese Medicine. 21 (5), 1230-1232 (2010).</li>
<li>Zhai, P. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+multi-stage+tongue+image+classification+algorithm+incorporating+attention+mechanism%5BTitle%5D)+AND+%22Computer+Engineering+and+Design%22%5BJournal%5D)">A multi-stage tongue image classification algorithm incorporating attention mechanism.</a> Computer Engineering and Design. 42 (6), 1606-1613 (2021).</li>
<li>Hou, Y. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+clustering+analysis+algorithm+based+on+deep+learning%5BTitle%5D)+AND+%22Journal+of+Xinxiang+University%22%5BJournal%5D)">A new clustering analysis algorithm based on deep learning.</a> Journal of Xinxiang University. 35 (12), 4(2018).</li>
<li>Shi, Y. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+decision+tree+algorithm+for+classification+of+non-small+cell+lung+cancer+evidence+based+on+tongue+and+pulse+data%5BTitle%5D)+AND+%22World+Science+and+Technology+-+Modernization+of+Chinese+Medicine%22%5BJournal%5D)">A decision tree algorithm for classification of non-small cell lung cancer evidence based on tongue and pulse data.</a> World Science and Technology - Modernization of Chinese Medicine. 24 (7), 2766-2775 (2022).</li>
<li>Li, J., Hu, X. J., Zhou, C. L., Xu, J. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Study+on+the+feature+analysis+and+diagnosis+model+of+diabetic+tongue+based+on+random+forest+algorithm%5BTitle%5D)+AND+%22Chinese+Journal+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">Study on the feature analysis and diagnosis model of diabetic tongue based on random forest algorithm.</a> Chinese Journal of Traditional Chinese Medicine. 37 (3), 1639-1643 (2022).</li>
<li>Chen, C. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((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%5BTitle%5D)+AND+%22Journal+of+Guangzhou+University+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">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.</a> Journal of Guangzhou University of Traditional Chinese Medicine. 28 (3), 332-334 (2011).</li>
<li>Chen, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Correlation+analysis+of+tongue+image+and+western+medicine+typing+in+382+patients+with+novel+coronavirus+pneumonia+based+on+Lab+colour+model+and+imaging+histology%5BTitle%5D)+AND+%22Chinese+Journal+of+Traditional+Chinese+Medicine%22%5BJournal%5D)">Correlation analysis of tongue image and western medicine typing in 382 patients with novel coronavirus pneumonia based on Lab colour model and imaging histology.</a> Chinese Journal of Traditional Chinese Medicine. 36 (12), 7010-7014 (2021).</li>
<li>Ju, J. W., Jung, H., Lee, Y. J., Mun, S. W., Lee, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Semantic+segmentation+dataset+for+AI-based+quantification+of+clean+mucosa+in+capsule+endoscopy%5BTitle%5D)+AND+%22Medicina%22%5BJournal%5D)">Semantic segmentation dataset for AI-based quantification of clean mucosa in capsule endoscopy.</a> Medicina. 58 (3), 397(2022).</li>
<li>Wu, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+research+on+deep+learning+in+tongue+image+classification%5BTitle%5D)+AND+%22Computer+Science+and+Exploration%22%5BJournal%5D)">A review of research on deep learning in tongue image classification.</a> Computer Science and Exploration. , 1-23 (2022).</li>
</ol>

Los autores no tienen ningún conflicto de intereses que declarar.

Sobre la base de los resultados de comparación presentados anteriormente, es evidente que las características de los cuatro algoritmos considerados son variadas, y sus distintas ventajas y desventajas se describen a continuación. La estructura U-Net, basada en la modificación y expansión de una red de convolución completa, puede obtener información contextual y posicionamiento preciso a través de una ruta de contratación y una ruta de expansión simétrica. Al clasificar cada punto de píxel, este algoritmo logra una mayor ...

La observación de la lengua es una técnica ampliamente utilizada en la medicina étnica tradicional china (MTC). El color y la forma de la lengua pueden reflejar la condición física y diversas propiedades de la enfermedad, severidades y pronósticos. Por ejemplo, en la medicina tradicional hmong, el color de la lengua se utiliza para identificar la temperatura corporal, por ejemplo, una lengua roja o púrpura indica factores patológicos relacionados con el calor. En la medicina tibetana, una condición se juzga observando la lengua de un paciente, prestando atención al color, la forma y la humedad del moco. Por ejemplo, las lenguas de los pacientes con enfermedad de Heyi se vuelven rojas y ásperas o negras y secas1; los pacientes con enfermedad de Xieri2 tienen la lengua amarilla y seca; mientras tanto, los pacientes con enfermedad de Badakan3 tienen una lengua blanca, húmeda y suave4. Estas observaciones revelan la estrecha relación entre las características de la lengua y la fisiología y la patología. En general, el estado de la lengua juega un papel vital en el diagnóstico, la identificación de la enfermedad y la evaluación del efecto del tratamiento.
Al mismo tiempo, debido a las diversas condiciones de vida y prácticas dietéticas entre los diferentes grupos étnicos, las variaciones en las imágenes de la lengua son evidentes. El modelo Lab, establecido sobre la base de un estándar internacional para la determinación del color, fue formulado por la Commission International Eclairage (CIE) en 1931. En 1976, un patrón de color fue modificado y nombrado. El modelo de color Lab se compone de tres elementos: L corresponde al brillo, mientras que a y b son dos canales de color. a incluye colores de verde oscuro (valor de brillo bajo) a gris (valor de brillo medio) a rosa brillante (valor de brillo alto); b va de azul brillante (valor de brillo bajo) a gris (valor de brillo medio) a amarillo (valor de brillo alto). Al comparar los valores L x a x b del color de la lengua de cinco grupos étnicos, Yang et al.5 encontraron que las características de las imágenes de la lengua de los grupos Hmong, Hui, Zhuang, Han y Mongol eran significativamente distintas entre sí. Por ejemplo, los mongoles tienen lenguas oscuras con una capa de lengua amarilla, mientras que los hmong tienen lenguas claras con una capa de lengua blanca, lo que sugiere que las características de la lengua pueden usarse como un indicador de diagnóstico para evaluar el estado de salud de una población. Además, las imágenes de la lengua pueden funcionar como un índice de evaluación para la medicina basada en la evidencia en la investigación clínica de la medicina étnica. He et al.6 emplearon imágenes de la lengua como base para el diagnóstico de la MTC y evaluaron sistemáticamente la seguridad y eficacia de los gránulos de Chou-Ling-Dan (gránulos de EPC utilizados para tratar enfermedades inflamatorias y febriles, incluida la gripe estacional en la MTC) combinados con la medicina china y occidental. Los resultados establecieron la validez científica de las imágenes de la lengua como índice de evaluación para estudios clínicos. Sin embargo, los médicos tradicionales generalmente confían en la subjetividad para observar las características de la lengua y evaluar las condiciones fisiológicas y patológicas de los pacientes, lo que requiere indicadores más precisos.
La aparición de Internet y la tecnología de inteligencia artificial ha allanado el camino para digitalizar y objetivar el diagnóstico de la lengua. Este proceso implica el uso de modelos matemáticos para proporcionar una descripción cualitativa y objetiva de las imágenes de la lengua7, reflejando el contenido de la imagen de la lengua. El proceso incluye varios pasos: adquisición de imágenes, compensación óptica, corrección de color y transformación geométrica. Las imágenes preprocesadas se introducen en un modelo algorítmico para el posicionamiento y segmentación de imágenes, extracción de características, reconocimiento de patrones, etc. El resultado de este proceso es un diagnóstico altamente eficiente y preciso de los datos de imágenes de la lengua, logrando así el objetivo de objetivación, cuantificación e informatización del diagnóstico de la lengua8. Por lo tanto, se logra el propósito de una alta eficiencia y un procesamiento de alta precisión de los datos de diagnóstico de la lengua. Basado en el conocimiento del diagnóstico de la lengua y la tecnología de aprendizaje profundo, este estudio separó automáticamente el cuerpo de la lengua y el recubrimiento de la lengua de las imágenes de la lengua utilizando un algoritmo informático, con el fin de extraer las características cuantitativas de las lenguas para los médicos, mejorar la confiabilidad y consistencia del diagnóstico y proporcionar métodos para la posterior investigación de objetivación del diagnóstico de la lengua9.

<table><tbody><tr><td>CPU</td><td>Intel(R) Core(TM) i7-9700K</td><td></td><td></td></tr><tr><td>GPU</td><td>&nbsp; NVIDIA GeForce RTX 3070 Ti (8192MB)</td><td></td><td></td></tr><tr><td>Sistemas operativos</td><td>: Microsoft Windows 10 Professional Edition (64 bits)</td><td></td><td></td></tr><tr><td>Lenguaje de programación</td><td>: Python</td><td></td><td></td></tr>, <tr><td>RAM</td><td>16G</td><td></td><td></td></tr></tbody></table>

objetivación del diagnóstico de la lengua en medicina tradicional, análisis de datos y aplicación de estudios

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

El diagnóstico de la lengua es una técnica esencial del diagnóstico de la medicina tradicional china (MTC), y la necesidad de objetivar las imágenes de la lengua a través de la tecnología de procesamiento de imágenes está creciendo. El presente estudio proporciona una visión general del progreso realizado en la objetivación de la lengua durante la última década y compara los modelos de segmentación. Se construyen varios modelos de aprendizaje profundo para verificar y comparar algoritmos utilizando conjuntos de imágenes de lengua reales. Se analizan las fortalezas y debilidades de cada modelo. Los hallazgos indican que el algoritmo U-Net supera a otros modelos con respecto a la precisión de precisión (PA), el recuerdo y la intersección media sobre las métricas de unión (MIoU). Sin embargo, a pesar del progreso significativo en la adquisición y procesamiento de imágenes de la lengua, aún no se ha establecido un estándar uniforme para objetivar el diagnóstico de la lengua. Para facilitar la aplicación generalizada de imágenes de lengua capturadas utilizando dispositivos móviles en la objetivación del diagnóstico de lengua, la investigación adicional podría abordar los desafíos planteados por las imágenes de lengua capturadas en entornos complejos.

Para obtener los resultados de la comparación, consulte la Figura 12, la Figura 13 y la Tabla 1, donde el entorno construido por este estudio utiliza las mismas muestras para entrenar y probar el modelo de algoritmo. Indicador MIoU: U-Net &gt; Seg-Net &gt; PSPNet &gt; DeeplabV3; Indicador MPA: U-Net &gt; Seg-Net &gt; PSPNet &gt; DeeplabV3; indicador de precisión: U-Net &gt; Seg-Net &gt; DeeplabV3 &gt; PSPNet; Recordemos: U-Net &gt; Seg-Net &gt;...

El presente estudio empleó U-Net y otros algoritmos de aprendizaje profundo para segmentar una imagen de lengua y comparó los resultados de segmentación para investigar la objetivación del diagnóstico de lengua.

Objetivación del diagnóstico de la lengua en medicina tradicional, análisis de datos y aplicación de estudios

Tongue diagnosis is an essential technique of traditional Chinese medicine (TCM) diagnosis, and the need for objectifying tongue images through image ...

Este protocolo utiliza un algoritmo de aprendizaje profundo para segmentar las imágenes de la lengua y separa automáticamente la lengua de toda la imagen, que se puede utilizar para futuras investigaciones. Este protocolo compara el rendimiento del algoritmo de segmentación de imágenes de cuatro lenguas para seleccionar el algoritmo base que puede segmentar una lengua con un contador claro. En este estudio se utilizan instrumentos y algoritmos patentados.Se recomienda utilizar instrumentos profesionales y dominar la tecnología informática. Para comenzar, prepare el instrumento de diagnóstico facial lingual de mano de desarrollo propio para recopilar imágenes faciales linguales de los pacientes. Complete el nombre, el sexo, la edad y la enfermedad del paciente en la página de la computadora.A continuación, pídale al paciente que se siente derecho y coloque el dispositivo de adquisición de imágenes conectado a la computadora. Luego, coloque la cara del paciente en el instrumento de adquisición de imágenes y pídale que extienda la lengua fuera de la boca en la mayor medida. Verifique a través de las imágenes en la pantalla del ordenador que el paciente está en la posición correcta y que la lengua y la cara están completamente expuestas.Presione el botón de disparo en la pantalla de la computadora tres veces para capturar tres imágenes. Luego, seleccione manualmente las imágenes recopiladas de la cara y la lengua. Fílvelos según la página de adquisición de imágenes del software.Recopile tres imágenes de cada paciente a la vez y exporte las imágenes a una carpeta para la detección manual. A continuación, seleccione una imagen estándar, totalmente expuesta, bien iluminada y clara, la muestra para el entrenamiento y la prueba de algoritmos. Elimine las imágenes que no cumplan los criterios de una imagen estándar.Los criterios de exclusión son la exposición incompleta de la lengua y la cara y las imágenes demasiado oscuras. Para realizar la segmentación de imágenes de lengua, abra LabelMe y haga clic en el botón Abrir en la esquina superior izquierda de la interfaz. Seleccione la carpeta que contiene la imagen a segmentar y abra las fotos.Haga clic en el botón Crear polígono para realizar un seguimiento de los puntos. Rastree las formas de la lengua y linguales, asígneles un nombre de acuerdo con las áreas seleccionadas y guárdelas. Al finalizar todo el seguimiento, haga clic en Guardar para guardar la imagen en la carpeta de datos.Configure el dispositivo para capturar imágenes con un tamaño de 1080x1920 píxeles y asegúrese de que el tamaño de la imagen rellena sea de 1920x1920 píxeles. Examine manualmente las imágenes de cada paciente para seleccionar y retener una de las tres imágenes que se tomaron por factores incontrolables, como el parpadeo del sujeto y el bloqueo de la lente. Para entrenar el modelo, recopile datos de 200 individuos o 600 imágenes y conserve alrededor de 200 imágenes que se puedan usar después de la proyección.Divida aleatoriamente todas las imágenes de la lengua según el número de imagen, colocando el 70% de ellas en el conjunto de entrenamiento y el 30% de las imágenes en la carpeta del conjunto de pruebas. Descargue e instale Anaconda Python y LabelMe desde sus sitios web oficiales. Active el entorno y complete la instalación y el ajuste del entorno general.Elija el modelo apropiado para el propósito de la investigación. En este estudio, UNet, SegNet, DeepLab Versión 3 y PSPNet fueron seleccionados para la validación. A continuación, cree el modelo de algoritmo de aprendizaje profundo en el entorno instalado.Ajuste los parámetros ajustando los valores y complete el entrenamiento del modelo con el conjunto de entrenamiento. Utilizando la anotación LabelMe y métodos de tamaño de imagen uniformes, construya el conjunto de datos requerido junto con el contenido de la investigación. Examine los resultados de la segmentación y evalúe el rendimiento del modelo en función de cuatro métricas, precisión, recuperación, precisión media de píxeles o MPA, y MIOU, para obtener una evaluación más completa.Compare los valores generados de los cuatro modelos. Cuanto mayor sea el valor, mayor será la precisión de segmentación y mejor será el rendimiento del modelo. De acuerdo con los resultados del índice, el algoritmo UNet es superior a los otros algoritmos en MIOU, MPA, precisión y recuperación, y su precisión de segmentación también es mayor.PSPNet es mejor que DeepLab Versión 3 en MIOU, MPA y recuperación, mientras que el modelo DeepLab Versión 3 es más bajo que el modelo de segmento en todos los índices. En la segmentación de la lengua, el área roja externa en la imagen resulta de la segmentación de la lengua y el área verde interna resulta de la segmentación del recubrimiento de la lengua. En este estudio, el algoritmo de unidad funcionó bien en la segmentación de la lengua, y se pueden realizar más investigaciones basadas en los algoritmos de la unidad.

objectification-tongue-diagnosis-traditional-medicine-data-analysis

Research

Investigación

JoVE Journal

Medicine

Medicina

Conocimiento de los mecanismos moleculares que subyacen en la transducción del gusto ha disfrutado recientemente de importantes avances, en gran parte debido al uso de modelos animales. Sin embargo, la gran diversidad en el sentido del gusto y la especificidad entre los órdenes de mamíferos estudios en el tejido humano. Se describe una técnica de biopsia para recoger las células vivas el sabor de las papilas de la lengua humana.

Técnica para recopilar fungiformes (gusto) Las papilas de la lengua humana

Quimiorrecepción oral de ácidos grasos y la asociación con la dieta y los grasos preferencias de alimentos puede permitir la identificación de los mecanismos implicados en el desarrollo de la obesidad y por qué los cambios en la dieta puede ser difícil para muchas personas.

Medición oral de ácidos grasos Umbrales, Percepción de grasa, alimentos grasos gusto, y papilas Densidad en Humanos

Aquí se presenta un protocolo para medir la densidad de la papila fungiformes de fotografias digitales. Este método se basa el establecimiento de prioridades y la métrica características objetivas en el trabajo descriptivo original en papilas fungiformes por Miller &amp; Reedy (1990).

Protocolo papilas Denver para el Análisis Objetivo de papilas fungiformes

Las imágenes de ultrasonido se pueden utilizar para mostrar la forma y los movimientos de la lengua en tiempo real durante el habla. Las imágenes se pueden utilizar para determinar la naturaleza de los errores de sonido del habla. La retroalimentación visual de la lengua se puede utilizar para facilitar mejoras en la producción de sonidos del habla en poblaciones clínicas.

Las imágenes de ultrasonido de la lengua: Un tutorial para la evaluación y remediación de los errores del habla de sonido

Se describe un procedimiento quirúrgico en un modelo anestésico de rata para determinar el tono muscular y las propiedades viscoelásticas de la lengua. El procedimiento consiste en la estimulación específica de los nervios hipoglosos y la aplicación de la fuerza pasiva Lissajous / curvas de deformación en el músculo.

Evaluación in vivo de las propiedades mecánicas y viscoelásticas de la lengua de rata

El artículo presenta el dispositivo μTongue (microfluídica en una lengua) para imágenes funcionales de células gustativas in vivo mediante la integración de microfluídica en una ventana de imágenes intravitales en la lengua.

μTongue: Una plataforma de imágenes funcionales basada en microfluídica para la lengua in vivo

Este trabajo ilustra un procedimiento estándar y la determinación del umbral por el índice R para evaluar la sensibilidad táctil lingual espacial utilizando una prueba de orientación de rejillas.

Evaluación de la sensibilidad táctil lingual espacial mediante una prueba de orientación de rejillas

Retrovirus endógenos humanos (HERV), que ocupan 8% del genoma humano, conservan la capacidad de codificación de los escasos pero cien mil repeticiones terminales largas (LTRs). A Affymetrix microarray costumbre fue diseñado para identificar la expresión locus HERV individual y se utilizó en los tejidos de cáncer de próstata como una prueba de concepto para futuros estudios clínicos.

La identificación basada en microarrays de expresión individual HERV Loci: Aplicación al descubrimiento de biomarcadores en el cáncer de próstata

Este artículo presenta un protocolo basado en Hydra, un sistema basado en web para apoyo a la decisión clínica que integra un conjunto completo y detallado de las funcionalidades y servicios requeridos por los médicos para análisis cardiovascular completo, evaluación del riesgo, temprano diagnóstico, tratamiento y seguimiento en el tiempo.

Hydra, una plataforma basada en la computadora para ayudar a los clínicos en el diagnóstico y análisis Cardiovascular

Este protocolo describe la configuración y el uso de ElectroMap, una plataforma de software de código abierto basada en MATLAB para el análisis de datos de mapeo óptico cardíaco. ElectroMap proporciona una herramienta versátil de alto rendimiento para el análisis de voltaje de mapeo óptico y conjuntos de datos de calcio en una amplia gama de modelos experimentales cardíacos.

Análisis de alto rendimiento de datos de asignación óptica mediante electromap

Aprende a segmentar imágenes linguales mediante algoritmos de aprendizaje profundo U-Net y otros modelos. Este método computacional mejora el diagnóstico en medicina tradicional con mayor precisión.

Objetivación del diagnóstico de la lengua en medicina tradicional, análisis de datos y aplicación de estudios

Explorar más videos