Objetivação do Diagnóstico da Língua na Medicina Tradicional, Análise de Dados e Aplicação do Estudo

Esse protocolo usa algoritmo de aprendizado profundo para segmentar imagens da língua e separa automaticamente a língua de toda a imagem, o que pode ser usado para pesquisas futuras. Este protocolo compara o desempenho do algoritmo de segmentação de imagens de quatro línguas para selecionar o algoritmo base que pode segmentar uma língua com um contador claro. Instrumentos patenteados e algoritmo são usados neste estudo.

Recomenda-se o uso de instrumentos profissionais e dominar a tecnologia da computação. Para começar, prepare o instrumento portátil de diagnóstico facial lingual autodesenvolvido para coletar imagens da face lingual dos pacientes. Preencha o nome do paciente, sexo, idade e doença na página do computador.

Em seguida, peça ao paciente que se sente ereto e posicione o aparelho de aquisição de imagens conectado ao computador. Em seguida, posicione a face do paciente no instrumento de aquisição de imagens e solicite que ele estenda a língua para fora da boca ao máximo. Verifique através das imagens na tela do computador se o paciente está na posição correta e se a língua e o rosto estão totalmente expostos.

Pressione o botão de disparo na tela do computador três vezes para capturar três imagens. Em seguida, selecione manualmente as imagens coletadas da face e da língua. Filtre-os de acordo com a página de Aquisição de Imagens do software.

Colete três imagens de cada paciente por vez e exporte as imagens para uma pasta para triagem manual. Em seguida, selecione uma amostra padrão, totalmente exposta, bem iluminada e clara, para treinamento e teste de algoritmos. Exclua as imagens que não atendem aos critérios de uma imagem padrão.

Os critérios de exclusão são língua e face incompletas e imagens muito escuras. Para realizar a segmentação da imagem da língua, abra o LabelMe e clique no botão Abrir no canto superior esquerdo da interface. Selecione a pasta que contém a imagem a ser segmentada e abra as fotos.

Clique no botão Criar polígono para rastrear os pontos. Rastreie as formas da língua e da língua, nomeie-as de acordo com as áreas selecionadas e salve. Ao concluir todo o rastreamento, clique em Salvar para salvar a imagem na pasta de dados.

Configure o dispositivo para capturar imagens com um tamanho de 1080x1920 pixels e verifique se o tamanho da imagem preenchida é de 1920x1920 pixels. Rastreie manualmente as imagens de cada paciente para selecionar e reter uma das três imagens que foram tiradas por fatores incontroláveis, como piscar do objeto e bloqueio do cristalino. Para treinar o modelo, colete dados de 200 indivíduos ou 600 imagens e retenha cerca de 200 imagens que são utilizáveis após a triagem.

Divida aleatoriamente todas as imagens da língua de acordo com o número da imagem, colocando 70% delas no Conjunto de Treinamento e 30% das imagens na pasta Conjunto de Teste. Baixe e instale Anaconda Python e LabelMe de seus sites oficiais. Ative o ambiente e conclua a instalação e ajuste do ambiente geral.

Escolha o modelo adequado ao objetivo da pesquisa. Neste estudo, UNet, SegNet, DeepLab Versão 3 e PSPNet foram selecionados para validação. Em seguida, crie o modelo de algoritmo de aprendizado profundo no ambiente instalado.

Ajuste os parâmetros ajustando os valores e conclua o treinamento do modelo usando o Conjunto de Treinamento. Usando métodos de anotação LabelMe e tamanho de imagem uniforme, construa o conjunto de dados necessário em conjunto com o conteúdo da pesquisa. Examine os resultados da segmentação e avalie o desempenho do modelo com base em quatro métricas, precisão, recall, precisão média de pixel ou MPA e MIOU, para obter uma avaliação mais abrangente.

Compare os valores gerados dos quatro modelos. Quanto maior o valor, maior a precisão da segmentação e melhor o desempenho do modelo. De acordo com os resultados do índice, o algoritmo UNet é superior aos outros algoritmos em MIOU, MPA, precisão e recall, e sua precisão de segmentação também é maior.

PSPNet é melhor do que o DeepLab Versão 3 em MIOU, MPA e recall, enquanto o modelo DeepLab Versão 3 é menor do que o modelo de segmento em todos os índices. Na segmentação da língua, a área vermelha externa na imagem resulta da segmentação da língua e a área verde interna resulta da segmentação do revestimento da língua. Neste estudo, o algoritmo da unidade teve um bom desempenho na segmentação da língua, e novas pesquisas podem ser conduzidas com base nos algoritmos da unidade.