Artykuł metodologiczny

Obiektywizacja diagnozy języka w medycynie tradycyjnej, analiza danych i zastosowanie w badaniach

4.1K wyświetleń

⸱

DOI:

10.3791/65140

⸱

14 kwietnia 2023

 ,  ,  ,  ,  , 
1School of Intelligent Medicine, Chengdu University of Traditional Chinese Medicine

* These authors contributed equally

W tym artykule

Podsumowanie

W obecnym badaniu wykorzystano U-Net i inne algorytmy głębokiego uczenia do segmentacji obrazu języka i porównano wyniki segmentacji w celu zbadania obiektywizacji diagnozy języka.

Streszczenie

Diagnoza języka jest podstawową techniką diagnozowania tradycyjnej medycyny chińskiej (TCM), a potrzeba obiektywizacji obrazów języka za pomocą technologii przetwarzania obrazu rośnie. Niniejsze badanie zawiera przegląd postępów poczynionych w zakresie obiektywizacji języka w ciągu ostatniej dekady i porównuje modele segmentacji. Konstruowane są różne modele głębokiego uczenia się w celu weryfikacji i porównywania algorytmów przy użyciu rzeczywistych zestawów obrazów języka. Analizowane są mocne i słabe strony każdego modelu. Wyniki wskazują, że algorytm U-Net przewyższa inne modele pod względem dokładności precyzji (PA), kompletności i wskaźników średniego przecięcia przez unię (MIoU). Jednak pomimo znacznego postępu w pozyskiwaniu i przetwarzaniu obrazów języka, nie ustalono jeszcze jednolitego standardu obiektywizacji diagnozy języka. Aby ułatwić powszechne stosowanie obrazów języka zarejestrowanych za pomocą urządzeń mobilnych w obiektywizacji diagnozy języka, dalsze badania mogłyby zająć się wyzwaniami związanymi z obrazami języka rejestrowanymi w złożonych środowiskach.

Wprowadzenie

Obserwacja języka jest szeroko stosowaną techniką w tradycyjnej chińskiej medycynie etnicznej (TCM). Kolor i kształt języka może odzwierciedlać stan fizyczny i różne właściwości chorobowe, nasilenie i rokowania. Na przykład w tradycyjnej medycynie Hmongów kolor języka jest używany do określania temperatury ciała, np. czerwony lub fioletowy język wskazuje na czynniki patologiczne związane z upałem. W medycynie tybetańskiej stan ocenia się, obserwując język pacjenta, zwracając uwagę na kolor, kształt i wilgotność śluzu. Na przykład języki pacjentów z chorobą Heyi stają się czerwone i szorstkie lub czarne i suche1; pacjenci z chorobą Xieri2 mają żółte i suche języki; tymczasem pacjenci z chorobą Badakan3 mają biały, wilgotny i miękki język4. Obserwacje te ujawniają ścisły związek między cechami języka a fizjologią i patologią. Ogólnie rzecz biorąc, stan języka odgrywa istotną rolę w diagnozie, identyfikacji choroby i ocenie efektu leczenia.

Jednocześnie, ze względu na zróżnicowane warunki życia i praktyki żywieniowe wśród różnych grup etnicznych, widoczne są różnice w obrazach języka. Model laboratoryjny, opracowany na podstawie międzynarodowego standardu oznaczania barwy, został sformułowany przez Komisję Międzynarodową Eclairage (CIE) w 1931 roku. W 1976 roku wzór kolorystyczny został zmodyfikowany i nazwany. Model kolorów Lab składa się z trzech elementów: L odpowiada jasności, a a i b to dwa kanały kolorów. A obejmuje kolory od ciemnozielonego (niska wartość jasności) do szarego (średnia wartość jasności) do jasnoróżowego (wysoka wartość jasności); B przechodzi od jasnoniebieskiego (niska wartość jasności) przez szary (średnia wartość jasności) do żółtego (wysoka wartość jasności). Porównując wartości L x a x b koloru języka pięciu grup etnicznych, Yang i in.5 stwierdzili, że cechy wizerunków języków grup Hmong, Hui, Zhuang, Han i Mongolian znacznie się od siebie różniły. Na przykład Mongołowie mają ciemne języki z żółtym nalotem na języku, podczas gdy Hmongowie mają jasne języki z białym nalotem języka, co sugeruje, że cechy języka mogą być używane jako wskaźnik diagnostyczny do oceny stanu zdrowia populacji. Co więcej, obrazy języka mogą funkcjonować jako wskaźnik oceny medycyny opartej na dowodach w badaniach klinicznych medycyny etnicznej. On i wsp.6 wykorzystali obrazy języka jako podstawę do diagnozy TCM i systematycznie oceniali bezpieczeństwo i skuteczność granulek Chou-Ling-Dan (granulki CLD - stosowane w leczeniu chorób zapalnych i gorączkowych, w tym grypy sezonowej w TCM) w połączeniu z medycyną chińską i zachodnią. Wyniki ustaliły naukową ważność obrazów języka jako wskaźnika oceny w badaniach klinicznych. Niemniej jednak tradycyjni lekarze na ogół polegają na subiektywności w celu obserwacji cech języka i oceny stanów fizjologicznych i patologicznych pacjentów, co wymaga bardziej precyzyjnych wskaźników.

Pojawienie się internetu i technologii sztucznej inteligencji utorowało drogę do digitalizacji i obiektywizacji diagnozy języka. Proces ten polega na użyciu modeli matematycznych w celu zapewnienia jakościowego i obiektywnego opisu obrazów języka7, odzwierciedlając zawartość obrazu języka. Proces składa się z kilku etapów: akwizycji obrazu, kompensacji optycznej, korekcji kolorów i transformacji geometrycznej. Wstępnie przetworzone obrazy są następnie wprowadzane do modelu algorytmicznego w celu pozycjonowania i segmentacji obrazu, ekstrakcji cech, rozpoznawania wzorców itp. Wynikiem tego procesu jest wysoce wydajna i precyzyjna diagnoza danych obrazowych języka, osiągając w ten sposób cel obiektywizacji, kwantyfikacji i informatyzacji diagnozy języka8. W ten sposób osiąga się cel, jakim jest wysoka wydajność i wysoka precyzja przetwarzania danych diagnostycznych języka. Opierając się na wiedzy na temat diagnozy języka i technologii głębokiego uczenia, badanie to automatycznie oddzieliło ciało języka i powłokę języka od obrazów języka za pomocą algorytmu komputerowego, w celu wyodrębnienia ilościowych cech języka dla lekarzy, poprawy wiarygodności i spójności diagnozy oraz zapewnienia metod do późniejszych badań obiektywizujących diagnozę języka9.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

To badanie zostało zatwierdzone przez projekt Narodowej Fundacji Nauk Przyrodniczych w Chinach, Konstruowanie reguł dynamicznej zmiany obrazu twarzy TCM na podstawie analizy skojarzeń. Numer zatwierdzenia etyczności to 2021KL-027, a komisja bioetyczna zatwierdziła badanie kliniczne do przeprowadzenia zgodnie z zatwierdzonymi dokumentami, które obejmują protokół badania klinicznego (2021.04.12, V2.0), świadomą zgodę (2021.04.12, V2.0), materiały rekrutacyjne (2021.04.12, V2.0), przypadki badań i/lub opisy przypadków, karty dzienniczka uczestnika i inne kwestionariusze (2021.04.12, V2.0), listę uczestników badania klinicznego, zatwierdzenie projektu badawczego itp. Uzyskano świadomą zgodę pacjentów biorących udział w badaniu. Głównym podejściem eksperymentalnym tego badania jest wykorzystanie rzeczywistych obrazów języka do walidacji i porównania efektów segmentacji modelu. Rysunek 1 przedstawia elementy obiektywizacji diagnozy języka.

1. Akwizycja obrazu

  1. Użyj samodzielnie opracowanego ręcznego lingwalnego przyrządu do diagnostyki twarzy, aby zbierać obrazy twarzy pacjentów w języku.
  2. Wpisz imię i nazwisko pacjenta, płeć, wiek i chorobę na stronie komputera. Zamieszczone tutaj zdjęcia pochodzą od pacjentów, którzy przyszli do kliniki i zgodzili się na fotografowanie po otrzymaniu informacji o celu i treści badania. Upewnij się, że pacjent siedzi prosto, umieść całą twarz w przyrządzie do akwizycji obrazu i poinstruuj pacjenta, aby maksymalnie wysunął język z ust.
  3. Trzymaj urządzenie do akwizycji obrazu podłączone do komputera i sprawdź za pomocą obrazów na ekranie komputera, czy pacjent znajduje się we właściwej pozycji i czy język i twarz są w pełni odsłonięte.
  4. Naciśnij trzykrotnie przycisk fotografowania na ekranie komputera, aby zrobić trzy zdjęcia.
    UWAGA: Przyrząd do akwizycji obrazu jest obecnie dopiero na etapie zgłoszenia patentowego i nie jest przeznaczony do użytku komercyjnego, więc nie jest przeznaczony do sprzedaży.
  5. Ręcznie wybierz i przefiltruj zebrane obrazy języka i twarzy. Filtruj i wykluczaj obrazy, które mają niepełną ekspozycję języka i twarzy, a także obrazy, które są zbyt ciemne z powodu niewystarczającej ilości światła. Rysunek 2 pokazuje stronę pobierania obrazów w oprogramowaniu.
  6. W projekcie eksperymentalnym zbierz trzy obrazy od każdego pacjenta na raz jako alternatywę i wybierz stosunkowo standardowy, w pełni naświetlony, dobrze oświetlony i wyraźny obraz jako próbkę do późniejszego trenowania i testowania algorytmu.
  7. Zbieraj dane po wykonaniu zdjęć, eksportuj dane do ręcznego rastrowania i usuwaj niestandardowe obrazy widoczne gołym okiem. Użyj następujących kryteriów filtrowania i wykluczania: niepełna ekspozycja języka i twarzy oraz obrazy, które są zbyt ciemne w wyniku niewystarczającego oświetlenia. Przykład niedoświetlonego, niekompletnego i standardowego obrazu pokazano w Rysunek 3.
    UWAGA: Niewystarczające światło jest zazwyczaj spowodowane nieumieszczeniem twarzy w instrumencie przez pacjenta. Pełną ekspozycję uzyskuje się zwykle tylko poprzez prawidłowe sfotografowanie pacjenta.

2. Segmentacja języka

  1. Wykonaj segmentację obrazu języka za pomocą narzędzia do adnotacji online, jak opisano poniżej.
    1. Zainstaluj Labelme, kliknij przycisk Otwórz w lewym górnym rogu interfejsu etykiety, wybierz folder, w którym znajduje się obraz, i otwórz zdjęcia.
    2. Kliknij utwórz wielokąt, aby rozpocząć śledzenie punktów, śledź kształty języka i języka, nazwij je zgodnie z wybranymi obszarami (np. językiem i powierzchnią języka) i zapisz je.
    3. Gdy wszystkie znaczniki są gotowe, kliknij przycisk Zapisz, aby zapisać obraz w folderze danych. Zobacz Rysunek 4 dla szczegółowego schematu blokowego.
      UWAGA: Ponieważ obrazy mogą mieć różnice pikseli, nie można ich bezpośrednio używać do trenowania i testowania algorytmów.
  2. Ujednolic obrazy do tego samego rozmiaru, wypełniając je krawędziami, tak aby dłuższy bok obrazu był docelową długością wypełnienia i wykonując białe wypełnienie krawędzi, aby wypełnić obrazy do kwadratu, przy czym dłuższy bok obrazu jest długością krawędzi. Rozmiar obrazu przechwyconego przez urządzenie to 1080 x 1920 pikseli, a rozmiar wypełnionego obrazu to 1920 x 1920 pikseli. Zobacz Rysunek 5.
  3. W razie potrzeby zastosuj ulepszenie obrazu. W tym badaniu nie zastosowano żadnych ulepszeń, ponieważ użyte obrazy zostały wykonane w ustalonej scenie i były mniej podatne na wpływ środowiska, oświetlenia i innych czynników.
  4. Ponieważ podczas procesu fotografowania dla każdego pacjenta zebrano trzy obrazy, aby uwzględnić niekontrolowane czynniki, takie jak mruganie obiektu i blokowanie obiektywu, należy ręcznie przesiać obrazy od każdego pacjenta, aby zachować jeden obraz na pacjenta.
  5. Na potrzeby trenowania modelu zbierz dane od 200 osób lub 600 obrazów. Po projekcji zachowaj około 200 użytecznych obrazów.
  6. Zgodnie z numerem obrazu losowo podziel wszystkie obrazy języka, umieszczając 70% z nich w zestawie treningowym i 30% w zestawie testowym w arkuszu kalkulacyjnym.

3. Klasyfikacja języka

  1. Wejdź na oficjalne strony internetowe, a następnie pobierz i zainstaluj Anaconda, Python i Labelme. Aktywuj środowisko i zakończ instalację i dostosowanie całego środowiska. Zobacz Rysunek 6 dla schematu blokowego opisującego instalację i konfigurację oprogramowania.
  2. Zbuduj model algorytmu uczenia głębokiego w zainstalowanym środowisku, dostosuj parametry i ukończ trenowanie modelu przy użyciu zestawu treningowego. Dokonaj wyboru i dostrojenia modelu zgodnie z opisem w poniższych krokach.
    1. Wybór modelu: Wybierz odpowiedni model w oparciu o cel badania. Po zapoznaniu się z badaniami nad przetwarzaniem obrazu języka w ciągu ostatnich 5 lat, cztery algorytmy: U-Net, Seg-Net, DeeplabV3 i PSPNet zostały wybrane do walidacji w tym badaniu (patrz Uzupełniający plik kodowania 1, Uzupełniający plik kodowania 2, Uzupełniający plik kodowania 3 i Uzupełniający plik kodowania 4 dla kodów modeli).
    2. Budowa zbioru danych: Po zakończeniu wyboru modelu skonstruuj wymagany zestaw danych w połączeniu z treścią badania, głównie przy użyciu adnotacji Labelme i metod ujednolicenia rozmiaru obrazu, jak opisano powyżej.
  3. Wykonaj trenowanie modelu zgodnie z poniższym opisem. Rysunek 7 pokazuje szczegóły operacji trenowania algorytmu.
    1. Wprowadź dane do sieci neuronowej w celu propagacji do przodu, przy czym każdy neuron najpierw wprowadza ważoną akumulację wartości, a następnie wprowadza funkcję aktywacji jako wartość wyjściową tego neuronu, aby uzyskać wynik.
    2. Wprowadź wynik do funkcji błędu i porównaj go z wartością oczekiwaną, aby uzyskać błąd i ocenić stopień rozpoznania przez pomyłkę. Im mniejsza jest funkcja straty, tym lepszy będzie model.
    3. Zmniejsz błąd przez propagację wsteczną i określ wektor gradientu. Dostosuj wagi wektora gradientu do trendu w kierunku wyników, tak aby błąd dążył do zera lub zmniejszał się.
    4. Powtarzaj ten proces trenowania, dopóki zestaw nie zostanie ukończony lub wartość błędu nie będzie już spadać, w którym to momencie trenowanie modelu zostanie zakończone. Zobacz Rysunek 8 przedstawia schemat blokowy modelu algorytmu podczas trenowania i testowania.
  4. Przetestuj cztery modele przy użyciu tych samych danych testowych do segmentacji i oceń wydajność modelu zgodnie z efektem segmentacji. Cztery metryki: precyzja, kompletność, średnia dokładność pikseli (MPA) i MIoU zapewniają bardziej kompleksową ocenę wydajności modelu.
  5. Po wygenerowaniu wyników czterech modeli porównaj ich wartości w poziomie; im wyższa wartość, tym wyższa dokładność segmentacji i lepsza wydajność modelu. Zobacz Rysunek 9, Rysunek 10 i Rysunek 11.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Aby zobaczyć wyniki porównania, zobacz Rysunek 12, Rysunek 13 i Tabela 1, gdzie środowisko zbudowane przez to badanie wykorzystuje te same próbki do trenowania i testowania modelu algorytmu. Wskaźnik MIoU: U-Net > Seg-Net > PSPNet > DeeplabV3; Wskaźnik MPA: U-Net > Seg-Net > PSPNet > DeeplabV3; wskaźnik precyzji: U-Net > Seg-Net > DeeplabV3 > PSPNet; przypomnijmy: U-Net > Seg-Net > PSPNet > DeeplabV3. Im więks...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Na podstawie przedstawionych powyżej wyników porównania oczywiste jest, że charakterystyka czterech rozważanych algorytmów jest zróżnicowana, a ich wyraźne zalety i wady opisano poniżej. Struktura U-Net, oparta na modyfikacji i rozbudowie pełnej sieci konwolucyjnej, może uzyskiwać informacje kontekstowe i precyzyjne pozycjonowanie poprzez ścieżkę kurczenia się i symetryczną ścieżkę rozszerzania. Klasyfikując każdy punkt piksela, algorytm ten osiąga większą dokładność segmentacji i szybciej segmentuje obraz za pomocą wytr...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

Ta praca była wspierana przez Narodową Fundację Przyrody Chin (grant nr 82004504), Narodowy Kluczowy Program Badawczo-Rozwojowy Ministerstwa Nauki i Technologii Chin (grant nr 2018YFC1707606), Administrację Medycyny Chińskiej Prowincji Syczuan (grant nr 2021MS199) oraz Narodową Fundację Przyrody Chin (grant nr 82174236).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Procesor:Procesor Intel(R) Core™ i7-9700K
, karta graficzna  NVIDIA GeForce RTX 3070 Ti (8192MB)
Systemy operacyjne: Microsoft Windows 10 Professional Edition (64-bitowy)
Język programowania: Python
RAM16G
,

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Segmentacja obrazu j zykamodele g bokiego uczeniatradycyjna medycyna chi skaprzetwarzanie obraz walgorytm UNetpozyskiwanie obrazu j zykametryki segmentacjiadnotacja LabelMemobilne obrazowanie j zyka

Powiązane artykuły