伝統医学における舌診断の客観化、データ解析、研究応用

サマリー

本研究では,U-Netなどの深層学習アルゴリズムを用いて舌画像をセグメント化し,セグメンテーション結果を比較して舌診断の客観化を検討した。

要約

舌診断は中医学(TCM)診断に不可欠な技術であり、画像処理技術による舌画像の客観化の必要性が高まっています。本研究では、過去10年間の舌客観化の進歩を概観し、セグメンテーションモデルを比較します。実際の舌画像セットを用いてアルゴリズムを検証・比較するために、様々な深層学習モデルを構築します。各モデルの長所と短所が分析されます。この知見は、U-Netアルゴリズムが、精度精度(PA)、再現率、および平均交差オーバーユニオン(MIoU)メトリックに関して他のモデルよりも優れていることを示している。しかし、舌画像の取得と処理は大きく進歩しているにもかかわらず、舌診断を客観化するための統一された基準は確立されていません。モバイルデバイスを使用してキャプチャされた舌画像を舌診断の客観化に広く適用することを促進するために、さらなる研究により、複雑な環境でキャプチャされた舌画像によってもたらされる課題に対処できます。

概要

舌観察は、伝統的な中国民族医学(TCM)で広く利用されている技術です。舌の色と形は、体調やさまざまな病気の性質、重症度、予後を反映することができます。たとえば、伝統的なモン族の医学では、舌の色は体温を識別するために使用されます(たとえば、赤または紫の舌は熱に関連する病理学的要因を示します)。チベット医学では、粘液の色、形、水分に注意を払いながら、患者の舌を観察することによって状態を判断します。たとえば、Heyi病患者の舌は赤くて荒れたり、黒くて乾いた^{りします1}。Xieri病² の患者は黄色で乾燥した舌を持っています。一方、バダカン病³ の患者は、白く、湿気があり、柔らかい舌^{を持っています4。}これらの観察は、舌の特徴と生理学および病理学との間の密接な関係を明らかにします。全体として、舌の状態は、診断、疾患の特定、および治療効果の評価において重要な役割を果たします。

同時に、異なる民族グループ間の多様な生活条件と食習慣のために、舌のイメージのばらつきは明らかです。色を決定するための国際標準に基づいて確立されたラボモデルは、1931年に国際エクレアージュ委員会(CIE)によって策定されました。1976年に、カラーパターンが変更され、名前が付けられまし....

プロトコル

この研究は、中国国家自然科学財団プロジェクト「関連分析に基づくTCM顔画像の動的変化ルールの構築」によって承認されています。倫理承認番号は2021KL-027であり、倫理委員会は、臨床研究プロトコル(2021.04.12、V2.0)、インフォームドコンセント(2021.04.12、V2.0)、被験者募集資料(2021.04.12、V2.0)、研究症例および/または症例報告、被験者日記カードおよびその他の質問票(2021.04.12、V2.0)、臨床試験の参加者のリストを含む承認された文書に従って実施される臨床試験を承認しました。 研究プロジェクトの承認等研究に参加した患者からインフォームドコンセントが得られました。この研究の主な実験的アプローチは、実際の舌画像を使用して、モデルのセグメンテーション効果を検証および比較することです。 図1 は、舌診断客観化の構成要素を示しています。

1. 画像取得

1. 自社開発のハンドヘルド舌側顔診断装置を使用して、患者の舌側顔画像を収集します。
2. 患者の氏名、性別、年齢、疾患をパソコンのページに記入してください。ここに掲載されている画像は、クリニックに来て、研究の目的と内容を知らされた上で撮影に同意した患者のものです。患者が直立していることを確認し、画像取得機器に顔全体を置き、患者に舌を口から最大限に伸ばすように指示....

結果

比較結果については、図 12、図 13、および表 1 を参照し、この調査で構築された環境では、同じサンプルを使用してアルゴリズム モデルをトレーニングおよびテストします。 MIoUインジケーター: Uネット>セグネット>PSPNet > DeeplabV3;MPAインジケーター: Uネット>セグネット>PSPNet > DeeplabV3;精密インジケータ:Uネット>セグネット>ディープラボV3>PSPNet;リコール:U-Net > Seg-Net > PSPNet > DeeplabV3。インデックス値が大きいほど、セグメンテーションの精度が高くなり、モデルのパフォーマンスが向上します。インデックスの結果によると、U-NetアルゴリズムはMIoU、MPA、精度、および再現率において他のアルゴリズムよりも優れており、そのセグメンテーション精度も他のアルゴリズムよりも高いと分析できます。したがって、U-Netアルゴ.......

ディスカッション

上記の比較結果に基づいて、検討中の4つのアルゴリズムの特性が異なることは明らかであり、それらの明確な長所と短所を以下に説明します。U-Net構造は、完全な畳み込みネットワークの変更と拡張に基づいており、収縮経路と対称的な拡張経路を介してコンテキスト情報と正確な位置決めを取得できます。このアルゴリズムは、各ピクセルポイントを分類することにより、より高いセグメンテーション精度を実現し、トレーニング済みモデルで画像をより迅速にセグメント化します。一方、エンコーダとデコーダの対称構造からなるSeg-Netアルゴリズムは、新しい問題に迅速に適応し、音声、セマンティクス、ビジョン、ゲームなどのタスクで優れたパフォーマンスを発揮するという利点があります。ただし、このアルゴリズムは大量のデータを必要とするため、ハードウェア構成の面で要求が厳しいため、一部のタスクにのみ適用できます。より一般的なフレームワークとして、DeeplabV3アルゴリズムには、ほとんどのネットワークのASSPモジュールを改善し、それらをカスケードまたは並列にレイアウトして全体的なパフォーマンスを向上させるという利点があります。ただし、最終的な特徴マップは、レート8と16のアップサ.......

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
CPU	Intel(R) Core(TM) i7-9700K
GPU	NVIDIA GeForce RTX 3070 Ti (8192MB)
オペレーティングシステム	Microsoft Windows 10 Professional Edition (64ビット)
プログラミング言語	Python
RAM	16G