전통의학에서 혀 진단의 객관화, 데이터 분석, 연구 적용

이 프로토콜은 딥 러닝 알고리즘을 사용하여 혀 이미지를 분할하고 전체 이미지에서 혀를 자동으로 분리하여 추가 연구에 사용할 수 있습니다. 이 프로토콜은 4-텅 이미지 분할 알고리즘의 성능을 비교하여 클리어 카운터로 텅을 분할할 수 있는 기본 알고리즘을 선택합니다. 이 연구에는 특허받은 기기와 알고리즘이 사용되었습니다.

전문 악기와 마스터 컴퓨터 기술을 사용하는 것이 좋습니다. 시작하려면 환자의 설측 얼굴 이미지를 수집하기 위해 자체 개발한 휴대용 설측 얼굴 진단 기기를 준비합니다. 컴퓨터 페이지에서 환자의 이름, 성별, 나이 및 질병을 입력합니다.

다음으로, 환자에게 똑바로 앉아서 컴퓨터에 연결된 이미지 획득 장치를 배치하도록 요청하십시오. 그런 다음 환자의 얼굴을 이미지 획득 도구에 놓고 혀를 입 밖으로 최대한 내밀도록 요청합니다. 컴퓨터 화면의 이미지를 통해 환자가 올바른 위치에 있고 혀와 얼굴이 완전히 노출되어 있는지 확인하십시오.

컴퓨터 화면의 촬영 버튼을 세 번 누르면 3장의 이미지가 캡처됩니다. 그런 다음 얼굴과 혀의 수집된 이미지를 수동으로 선택합니다. 소프트웨어의 이미지 획득 페이지에 따라 필터링합니다.

각 환자로부터 한 번에 3개의 이미지를 수집하고 수동 스크리닝을 위해 이미지를 폴더로 내보냅니다. 다음으로, 알고리즘 학습 및 테스트를 위한 샘플인 완전히 노출되고 조명이 잘 되는 선명한 표준 이미지를 선택합니다. 표준 이미지의 기준을 충족하지 않는 이미지를 삭제합니다.

제외 기준은 불완전한 혀와 얼굴 노출과 너무 어두운 이미지입니다. 혀 이미지 분할을 수행하려면 LabelMe를 열고 인터페이스의 왼쪽 상단 모서리에 있는 열기 버튼을 클릭합니다. 분할할 이미지가 포함된 폴더를 선택하고 사진을 엽니다.

Create Polygon 버튼을 클릭하여 포인트를 추적합니다. 혀와 설측 모양을 추적하고 선택한 영역에 따라 이름을 지정하고 저장합니다. 모든 추적이 끝나면 저장을 클릭하여 이미지를 데이터 폴더에 저장합니다.

1080x1920 픽셀 크기의 이미지를 캡처하도록 디바이스를 설정하고 채워진 이미지의 크기가 1920x1920픽셀인지 확인합니다. 각 환자의 이미지를 수동으로 스크리닝하여 피사체 깜박임 및 렌즈 차단과 같은 제어할 수 없는 요인에 대해 촬영된 세 가지 이미지 중 하나를 선택하고 유지합니다. 모델 학습을 위해 200명의 개인 또는 600개의 이미지에서 데이터를 수집하고 스크리닝 후 사용할 수 있는 약 200개의 이미지를 유지합니다.

이미지 번호에 따라 모든 혀 이미지를 무작위로 나누어 70%를 훈련 세트에, 이미지의 30%를 테스트 세트 폴더에 배치합니다. 공식 웹 사이트에서 Anaconda Python 및 LabelMe를 다운로드하여 설치하십시오. 환경을 활성화하고 전체 환경의 설치 및 조정을 완료하십시오.

연구 목적에 적합한 모형을 선택합니다. 이 연구에서는 UNet, SegNet, DeepLab 버전 3 및 PSPNet을 검증을 위해 선택했습니다. 다음으로, 설치된 환경에서 딥러닝 알고리즘 모델을 구축합니다.

값을 조정하여 파라미터를 조정하고 훈련 세트를 사용하여 모델 훈련을 완료합니다. LabelMe 주석 및 균일한 이미지 크기 방법을 사용하여 연구 콘텐츠와 함께 필요한 데이터 세트를 구성합니다. 세분화 결과를 검사하고 정밀도, 재현율, 평균 픽셀 정확도 또는 MPA 및 MIOU의 네 가지 메트릭을 기반으로 모델 성능을 평가하여 보다 포괄적인 평가를 얻습니다.

네 가지 모델의 생성된 값을 비교합니다. 값이 높을수록 분할 정확도가 높아지고 모델의 성능이 향상됩니다. 인덱스 결과에 따르면 UNet 알고리즘은 MIOU, MPA, 정밀도 및 재현율에서 다른 알고리즘보다 우수하며 분할 정확도도 더 높습니다.

PSPNet은 MIOU, MPA 및 리콜에서 DeepLab 버전 3보다 우수하지만 DeepLab 버전 3 모델은 모든 인덱스에서 세그먼트 모델보다 낮습니다. 혀 분할에서 이미지의 바깥쪽 빨간색 영역은 혀 분할의 결과이고 안쪽 녹색 영역은 혀 코팅 분할의 결과입니다. 본 연구에서는 단위 알고리즘이 혀 분할에서 잘 수행되었으며, 단위 알고리즘을 기반으로 추가 연구를 수행할 수 있습니다.