一种舌象分割方法、设备及存储介质技术

本发明专利技术涉及一种舌象分割方法、设备及存储介质，其方法包括获取舌象训练集，舌象训练集包括多张人体舌象图像；对舌象训练集中的人体舌象图像进行特征提取和特征融合后，得到舌体掩膜集并作为真实标签集；将舌象训练集和成对的真实标签集输入至预设的条件生成对抗网络，通过迭代对抗训练，分别更新条件生成对抗网络的生成器和判别器，以得到训练完成的条件生成对抗网络；获取待识别舌象图像，并输入至训练完成的条件生成对抗网络进行舌象分割，生成舌体图像。本发明专利技术无需人工做标签，并且在舌象数据集小的情况下，也能够有效提供舌象分割精度。度。度。

【技术实现步骤摘要】
一种舌象分割方法、设备及存储介质


[0001]本申请涉及图像分割
，尤其是涉及一种舌象分割方法、设备及存储介质。

技术介绍

[0002]中医舌诊是中医望闻问切中的第一步，也是最直观的一步，舌象能够把人体内的生理状况和病理变化一一展现给医师看，为医师诊断起到重要的作用。因此，舌诊的客观化和定量化也成为我国中医现代化研究的重要课题。
[0003]随着图像处理技术在各个领域得到越来越多的应用，舌象分割技术也越来越多，根据有无标签，分为四种网络结构：全监督分割网络结构、半监督分割网络结构、弱监督分割网络结构、无监督分割网络结构。其中全监督分割分割精度最高，但需要对每一个像素进行标注，需要花费大量的人力、物力；半监督和弱监督虽然分割进度相对较慢，但不需要对每一个像素做标签，能够节省大量的时间。
[0004]现有的舌象分割技术大部分都是基于传统技术分割方法，虽然具备训练速度快等优点，但需要根据实验手动选择特征，自动化低，识别率也不高。因此有研究开始向深度学习图像分割技术方面研究舌象分割，但这些研究都是建立在全监督分割网络结构上进行研究，需要大量的数据集与大量的时间进行像素级标注，因此，本专利技术人认为现有的舌象分割技术还有进一步的改进空间。

技术实现思路

[0005]有鉴于此，本申请提供一种舌象分割方法、设备及存储介质，用以解决现有基于深度学习的舌象分割技术中需要花费大量人力、物力进行像素级标注的问题。
[0006]为了解决上述问题，第一方面，本专利技术提供一种舌象分割方法，所述方法包括：
[0007]获取舌象训练集，所述舌象训练集包括多张人体舌象图像；
[0008]对所述舌象训练集中的人体舌象图像进行特征提取和特征融合后，得到舌体掩膜集并作为真实标签集；
[0009]将所述舌象训练集和成对的真实标签集输入至预设的条件生成对抗网络，通过迭代对抗训练，分别更新所述条件生成对抗网络的生成器和判别器，以得到训练完成的条件生成对抗网络；
[0010]获取待识别舌象图像，并输入至所述训练完成的条件生成对抗网络进行舌象分割，生成舌体图像。
[0011]可选的，获取舌象训练集包括：
[0012]获取原始舌象数据集；
[0013]对所述原始舌象数据集进行图像预处理后，得到舌象训练集，其中所述图像预处理包括图像旋转、平移交换、数据增强以及对比度归一化处理。
[0014]可选的，对所述舌象训练集中的人体舌象图像进行特征提取和特征融合后，得到舌体掩膜集并作为真实标签集，包括：
[0015]将所述舌象训练集的每张人体舌象图像输入至预设的舌象特征提取网络，其中所述舌象特征提取网络采用训练完成的VGG16网络；
[0016]提取每张人体舌象图像经过两个预设的非连续卷积层后的舌体特征图，并将两个舌体特征图的维度和参数量处理为一致；
[0017]将两个舌体特征图进行融合后，得到舌体掩膜；由所述舌象训练集得到的舌体掩膜集作为真实标签集。
[0018]可选的，将两个舌体特征图进行融合后，得到舌体掩膜包括：
[0019]将两个舌体特征图从3D张量转换为2D矩阵，将两个结果矩阵进行融合，并将融合结果值在[0,1]区间进行缩放，得到目标矩阵，所述目标矩阵中每个元素的值作为对应像素的前景概率；由所述目标矩阵确定的图像确定为舌体掩膜；
[0020]由所述舌象训练集得到的舌体掩膜集作为真实标签集之前，所述方法还包括：
[0021]利用条件随机场对所述舌体掩膜进行平滑处理。
[0022]可选的，所述条件生成对抗网络包括生成器、判别器以及预设的对抗损失函数；
[0023]所述生成器由U
‑
Net网络和预设的生成损失函数构成；
[0024]所述判别器由多个卷积层和一个判别层，以及预设的判别损失函数构成，其中所述多个卷积层的通道数设置随层级数依次增大。
[0025]可选的，将所述舌象训练集和成对的真实标签集输入至预设的条件生成对抗网络，通过迭代训练，分别更新所述条件生成对抗网络的生成器和判别器，以得到训练完成的条件生成对抗网络，包括：
[0026]初始化迭代次数，以及初始化生成器和判别器的权值和偏置；
[0027]开始迭代训练，包括：
[0028]固定当前判别器的网络参数，对抗训练当前生成器，得到目标生成器；
[0029]固定所述目标生成器的网络参数，对抗训练当前判别器，得到目标判别器；
[0030]当迭代次数到达预设次数后，得到训练完成的条件生成对抗网络。
[0031]可选的，所述固定当前判别器的网络参数，对抗训练当前生成器，得到目标生成器，包括：
[0032]将舌象训练集中的人体舌象图像和成对的真实标签进行拼接后，得到真实舌象图像并输入至当前生成器，计算所述当前生成器的生成损失值，基于生成损失值反向传播训练所述当前生成器，以输出第一预测标签；
[0033]将第一预测标签和对应的所述舌象训练集中的人体舌象图像进行拼接后，得到第一预测舌象图像；
[0034]将所述第一预测舌象图像和所述真实舌象图像输入至所述当前判别器进行预测，得到两个不同的第一预测结果，分别是与所述第一预测舌象图像对应的第一预测结果、与所述真实舌象图像对应的第一预测结果；
[0035]根据两个不同的所述第一预测结果，计算所述条件生成对抗网络的第一对抗损失值，采用梯度下降法并根据第一对抗损失值，对所述当前生成器的网络参数进行更新，以得到目标生成器。
[0036]可选的，所述固定所述目标生成器的网络参数，对抗训练当前判别器，得到目标判别器，包括：
[0037]将所述真实舌象图像输入至目标生成器，得到第二预测标签；
[0038]将所述第二预测标签和对应的所述舌象训练集中的人体舌象图像进行拼接后，得到第二预测舌象图像；
[0039]将所述第二预测舌象图像和所述真实舌象图像输入所述当前判别器，计算所述当前判别器的判别损失值，基于所述判别损失值反向传播训练当前判别器，以输出两个不同的第二预测结果，分别是与所述第二预测舌象图像对应的第二预测结果、与所述真实舌象图像对应的第二预测结果；
[0040]根据两个不同的所述第二预测结果，计算所述条件生成对抗网络的第二对抗损失值，采用梯度下降法并根据所述第二对抗损失值，对所述当前判别器的网络参数进行更新后，得到目标判别器。
[0041]第二方面，本专利技术提供一种舌象分割系统，所述系统包括：
[0042]数据获取模块，用于获取舌象训练集，舌象训练集包括多张人体舌象图像；
[0043]特征提取模块，用于对舌象训练集中的人体舌象图像进行特征提取和特征融合后，得到舌体掩膜集并作为真实标签集；
[0044]训练模块，用于将舌象训练集和成对的真实标签集输入至预设的条件生成对抗网络，通过迭代对抗训练，分别更新条件生成对抗网络的生成器和判别器，以得到训练完成的条件生成对抗网络；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种舌象分割方法，其特征在于，所述方法包括：获取舌象训练集，所述舌象训练集包括多张人体舌象图像；对所述舌象训练集中的人体舌象图像进行特征提取和特征融合后，得到舌体掩膜集并作为真实标签集；将所述舌象训练集和成对的真实标签集输入至预设的条件生成对抗网络，通过迭代对抗训练，分别更新所述条件生成对抗网络的生成器和判别器，以得到训练完成的条件生成对抗网络；获取待识别舌象图像，并输入至所述训练完成的条件生成对抗网络进行舌象分割，生成舌体图像。2.根据权利要求1所述的舌象分割方法，其特征在于，所述方法包括：获取舌象训练集包括：获取原始舌象数据集；对所述原始舌象数据集进行图像预处理后，得到舌象训练集，其中所述图像预处理包括图像旋转、平移交换、数据增强以及对比度归一化处理。3.根据权利要求1所述的舌象分割方法，其特征在于，对所述舌象训练集中的人体舌象图像进行特征提取和特征融合后，得到舌体掩膜集并作为真实标签集，包括：将所述舌象训练集的每张人体舌象图像输入至预设的舌象特征提取网络，其中所述舌象特征提取网络采用训练完成的VGG16网络；提取每张人体舌象图像经过两个预设的非连续卷积层后的舌体特征图，并将两个舌体特征图的维度和参数量处理为一致；将两个舌体特征图进行融合后，得到舌体掩膜；由所述舌象训练集得到的舌体掩膜集作为真实标签集。4.根据权利要求3所述的舌象分割方法，其特征在于，将两个舌体特征图进行融合后，得到舌体掩膜包括：将两个舌体特征图从3D张量转换为2D矩阵，将两个结果矩阵进行融合，并将融合结果值在[0,1]区间进行缩放，得到目标矩阵，所述目标矩阵中每个元素的值作为对应像素的前景概率；由所述目标矩阵确定的图像确定为舌体掩膜；由所述舌象训练集得到的舌体掩膜集作为真实标签集之前，所述方法还包括：利用条件随机场对所述舌体掩膜进行平滑处理。5.根据权利要求1所述的舌象分割方法，其特征在于，所述条件生成对抗网络包括生成器、判别器以及预设的对抗损失函数；所述生成器由U
‑
Net网络和预设的生成损失函数构成；所述判别器由多个卷积层和一个判别层，以及预设的判别损失函数构成，其中所述多个卷积层的通道数设置随层级数依次增大。6.根据权利要求5所述的舌象分割方法，其特征在于，将所述舌象训练集和成对的真实标签集输入至预设的条件生成对抗网络，通过迭代训练，分别更新所述条件生成对抗网络的生成器和判别器，以得到训练完成的条件生成对抗网络，包括：初...

【专利技术属性】
技术研发人员：黄留挥，程辉，
申请(专利权)人：江汉大学，
类型：发明
国别省市：