전통의학에서 혀 진단의 객관화, 데이터 분석, 연구 적용

요약

본 연구는 U-Net 및 기타 딥러닝 알고리즘을 사용하여 혀 이미지를 분할하고 분할 결과를 비교하여 혀 진단의 객관화를 조사했습니다.

초록

혀 진단은 한의학(TCM) 진단의 필수 기술이며, 영상처리 기술을 통한 혀 영상의 대상화에 대한 필요성이 커지고 있습니다. 본 연구는 지난 10년 동안 혀 객관화의 진행 상황에 대한 개요를 제공하고 세분화 모델을 비교합니다. 실제 혀 이미지 세트를 사용하여 알고리즘을 검증하고 비교하기 위해 다양한 딥 러닝 모델이 구축됩니다. 각 모델의 강점과 약점을 분석합니다. 연구 결과에 따르면 U-Net 알고리즘은 정밀 정확도(PA), 재현율 및 MIoU(Mean Intersection over Union) 메트릭과 관련하여 다른 모델보다 성능이 우수합니다. 그러나 혀 이미지 획득 및 처리가 크게 발전했음에도 불구하고 혀 진단을 객관화하기 위한 통일된 표준은 아직 확립되지 않았습니다. 혀 진단 객관화에서 모바일 장치를 사용하여 캡처한 혀 이미지의 광범위한 적용을 용이하게 하기 위해 추가 연구는 복잡한 환경에서 캡처된 혀 이미지로 인해 발생하는 문제를 해결할 수 있습니다.

서론

혀 관찰은 중국 전통 의학(TCM)에서 널리 사용되는 기술입니다. 혀의 색과 모양은 신체 상태와 다양한 질병 특성, 중증도 및 예후를 반영할 수 있습니다. 예를 들어, 전통 몽족 의학에서 혀의 색은 체온을 식별하는 데 사용됩니다 (예 : 빨간색 또는 보라색 혀는 열과 관련된 병리학 적 요인을 나타냅니다). 티베트 의학에서는 환자의 혀를 관찰하고 점액의 색, 모양 및 수분에주의를 기울여 상태를 판단합니다. 예를 들어, 헤이이병 환자의 혀가 붉어지고 거칠어지거나 검고 건조해집니다¹; Xieri 질병² 환자는 혀가 노랗고 건조합니다. 한편, 바다칸병³ 환자는 하얗고 습하며 부드러운 혀4를 가지고^있다. 이러한 관찰은 혀의 특징과 생리학 및 병리학 사이의 밀접한 관계를 보여줍니다. 전반적으로 혀의 상태는 진단, 질병 식별 및 치료 효과 평가에 중요한 역할을 합니다.

동시에, 다양한 인종 그룹 간의 다양한 생활 조건과 식습관으로 인해 혀 이미지의 차이가 분명합니다. 색상 결정을위한 국제 표준을 기반으로 설립 된 Lab 모델은 1931 년 CIE ....

프로토콜

이 연구는 중국 국립 자연 과학 재단(National Natural Science Foundation of China) 프로젝트인 연관 분석을 기반으로 한 TCM 얼굴 이미지의 동적 변화 규칙 구성의 승인을 받았습니다. 윤리 승인 번호는 2021KL-027이며, 윤리위원회는 임상 연구 프로토콜(2021.04.12, V2.0), 정보에 입각한 동의(2021.04.12, V2.0), 피험자 모집 자료(2021.04.12, V2.0), 연구 사례 및/또는 사례 보고서, 피험자 일지 카드 및 기타 설문지(2021.04.12, V2.0), 임상시험 참가자 목록, 연구과제 승인 등 연구에 참여한 환자들로부터 정보에 입각한 동의를 얻었습니다. 이 연구의 주요 실험적 접근 방식은 실제 혀 이미지를 사용하여 모델 분할 효과를 검증하고 비교하는 것입니다. 그림 1 은 혀 진단 객관화의 구성 요소를 보여줍니다.

1. 이미지 획득

1. 자체 개발한 휴대용 설면 진단 기기를 사용하여 환자의 설측 얼굴 이미지를 수집합니다.
2. 컴퓨터 페이지에서 환자의 이름, 성별, 나이 및 질병을 입력합니다. 여기에 포함된 이미지는 클리닉에 와서 연구의 목적과 내용을 통보....

결과

비교 결과는 그림 12, 그림 13 및 표 1을 참조하십시오.이 연구에서 구성한 환경은 동일한 샘플을 사용하여 알고리즘 모델을 학습하고 테스트합니다. MIoU 표시기: U-Net > Seg-Net > PSPNet > DeeplabV3; MPA 표시기: U-Net > Seg-Net > PSPNet > DeeplabV3; 정밀 표시기 : U-Net > Seg-Net > DeeplabV3 > PSPNet; 리콜 : U-Net > Seg-Net > PSPNet > DeeplabV3. 인덱스 값이 클수록 세그멘테이션 정확도가 높아지고 모델 성능이 향상됩니다. 지표 결과에 따르면 U-Net 알고리즘이 MIoU, MPA, 정밀도 및 재현율에서 다른 알고리즘보다 우수하고 분할 정확도도 다른 알고리즘보다 높다는 것을 분석할 수 있습니다. 따라서 .......

토론

위에 제시된 비교 결과를 바탕으로, 고려중인 4 가지 알고리즘의 특성이 다양하다는 것이 분명하며, 그 뚜렷한 장점과 단점이 아래에 설명되어 있습니다. 전체 컨볼루션 네트워크의 수정 및 확장을 기반으로 하는 U-Net 구조는 수축 경로와 대칭 확장 경로를 통해 상황 정보와 정확한 위치 지정을 얻을 수 있습니다. 이 알고리즘은 각 픽셀 포인트를 분류하여 더 높은 분할 정확도를 달성하고 학습된 모델로 이미지를 더 빠르게 분할합니다. 한편, 인코더와 디코더의 대칭 구조로 구성된 Seg-Net 알고리즘은 새로운 문제에 빠르게 적응하고 음성, 의미론, 비전 및 게임과 같은 작업을 잘 수행할 수 있다는 장점이 있습니다. 그러나 알고리즘은 많은 양의 데이터를 필요로 하므로 하드웨어 구성 측면에서 까다롭기 때문에 일부 작업에만 적용할 수 있습니다. 보다 일반적인 프레임워크인 DeeplabV3 알고리즘은 대부분의 네트워크에 대한 ASSP 모듈을 개선하고 캐스케이드 또는 병렬로 배치하여 전반적인 성능을 향상시킬 수 있는 이점이 있습니다. 그러나 최.......

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
CPU	인텔(R) 코어(TM) i7-9700K
GPU	NVIDIA GeForce RTX 3070 Ti (8192MB)
운영 체제	Microsoft Windows 10 Professional Edition (64비트)
프로그래밍 언어	Python
RAM	16G