伝統医学における舌診断の客観化、データ解析、研究応用

このプロトコルは、ディープラーニングアルゴリズムを使用して舌の画像をセグメント化し、舌を画像全体から自動的に分離し、さらなる研究に使用できます。このプロトコルは、4舌画像セグメンテーションアルゴリズムの性能を比較して、明確なカウンターで舌をセグメント化できる基本アルゴリズムを選択します。この研究では、特許取得済みの機器とアルゴリズムが使用されています。

プロの機器とマスターコンピュータ技術を使用することをお勧めします。まず、患者の舌側の顔画像を収集するために、自社開発のハンドヘルド舌側顔診断装置を準備します。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。

次に、患者に直立して座ってもらい、コンピューターに接続された画像取得デバイスを配置します。次に、患者の顔を画像取得機器に配置し、舌を口から最大限に伸ばしてもらいます。コンピューター画面の画像で、患者が正しい位置にあり、舌と顔が完全に露出していることを確認します。

コンピューター画面の撮影ボタンを3回押すと、3枚の画像がキャプチャされます。次に、収集した顔と舌の画像を手動で選択します。ソフトウェアの画像取得ページに従ってそれらをフィルタリングします。

各患者から一度に3つの画像を収集し、手動スクリーニングのために画像をフォルダーにエクスポートします。次に、アルゴリズムのトレーニングとテストのサンプルである、標準で完全に露出され、十分に照らされた、鮮明な画像を選択します。標準イメージの条件を満たさないイメージを削除します。

除外の基準は、不完全な舌と顔の露出と暗すぎる画像です。舌画像のセグメンテーションを実行するには、LabelMeを開き、インターフェイスの左上隅にある[開く]ボタンをクリックします。セグメント化する画像を含むフォルダを選択し、写真を開きます。

[ポリゴンの作成] ボタンをクリックして、ポイントを追跡します。舌と舌の形を追跡し、選択した領域に応じて名前を付けて保存します。すべての追跡が終了したら、[保存] をクリックして画像をデータ フォルダーに保存します。

1080 x 1920 ピクセルのサイズの画像をキャプチャするようにデバイスを設定し、塗りつぶされたイメージのサイズが 1920 x 1920 ピクセルであることを確認します。各患者の画像を手動でスクリーニングして、被験者のまばたきやレンズの遮断などの制御不能な要因のために撮影された3つの画像から1つを選択して保持します。モデルを訓練するために、200人の個人または600枚の画像からデータを収集し、スクリーニング後に使用可能な約200枚の画像を保持します。

画像番号に従ってすべての舌画像をランダムに分割し、画像の70%をトレーニングセットに、画像の30%をテストセットフォルダーに配置します。アナコンダパイソンとラベルミーを公式ウェブサイトからダウンロードしてインストールします。環境をアクティブ化し、環境全体のインストールと調整を完了します。

研究目的に適したモデルを選択してください。この研究では、UNet、SegNet、DeepLab Version 3、およびPSPNetが検証のために選択されました。次に、インストール済み環境でディープ ラーニング アルゴリズム モデルを構築します。

値を調整してパラメーターを調整し、トレーニング セットを使用してモデルのトレーニングを完了します。LabelMeアノテーションと均一な画像サイズの方法を使用して、研究内容と組み合わせて必要なデータセットを構築します。セグメンテーションの結果を調べ、精度、再現率、平均ピクセル精度 (MPA) または MIOU、MIOU の 4 つのメトリックに基づいてモデルのパフォーマンスを評価して、より包括的な評価を取得します。

4 つのモデルの生成値を比較します。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、UNet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高くなっています。

PSPNetは、MIOU、MPA、およびリコールにおいてDeepLabバージョン3よりも優れていますが、DeepLabバージョン3モデルはすべてのインデックスでセグメントモデルよりも低くなっています。舌のセグメンテーションでは、画像の外側の赤い領域は舌のセグメンテーションから得られ、内側の緑の領域は舌のコーティングのセグメンテーションから得られます。本研究では,単位アルゴリズムが舌分割において良好に機能しており,単位アルゴリズムに基づいてさらなる研究を行うことができた.