【技术实现步骤摘要】
本专利技术属于计算机视觉和医学图像处理领域，具体涉及计算机图像处理、深度学习、中医舌图像分析等技术。
技术介绍
1、舌诊是中医“四诊”中的重要环节，医生通过观察舌体的各种表观，如舌色、苔色、舌形态、舌动态等来了解人体生理功能和病理变化。舌诊关注的舌象诊察特征有三十多种，如舌色、苔色、润燥、腐腻、齿痕、裂纹、点刺、胖瘦等。现有的方法对舌象进行自动分析时，普遍采用分别独立分析的方法，即针对每种诊察特征分别设计一个分类模型，虽然可以获得理想的分类性能，但同时也会导致系统的实现复杂度太高，难以部署实施。
2、本专利技术将舌象多个诊察特征的分析看作是一种多标签分类问题，采用多标签学习的方法，在一个统一的网络框架下可以同时实现舌色、苔色、腐腻和润燥等多种舌象诊察特征的自动分析。具体来说，采用对比学习和高斯混合变分自编码器，通过利用舌象各个诊察特征之间的相关性，不仅可以提升分类性能，还可以降低系统整体实现的复杂度。
技术实现思路
1、本专利技术提出一种中医舌象多诊察特征分类方法，旨在利用多标签学习策略，在一个统一的网络框架下，实现舌色、苔色、腐腻和润燥多个舌象诊察特征的精确分类。
2、为了达到上述目标，本专利技术提出了如下技术方案：首先，采用densenet-121作为骨干网络，结合高效多尺度注意力(efficient multi-scale attention，ema)机制作为特征提取网络来提取舌图像的特征；然后，利用高斯混合变分自编码器，构建一个多标签学习网络。具体来
3、该方案包括舌象多诊察特征数据集的构建、基于高效多尺度注意力机制的轻型卷积神经网络设计、基于对比学习与高斯混合变分自编码器的多标签学习网络设计、多标签分类网络模型训练等4个步骤。下面详细介绍这些步骤的实现细节。
4、步骤1：舌象多诊察特征分类数据集的构建
5、本专利技术采用中医舌象仪作为数据集采集设备，与国内三家知名的中医院合作进行舌图像的采集，并对舌图像逐一进行标签标注。每幅舌图像都标注了舌色、苔色、腐腻和润燥4种标签，每种标签的类别如表1所示。
6、 诊察特征 类别 舌色 暗红、淡红、红、紫4类 苔色 黄、白、灰、灰黑、黑5类 腐腻 腐、腻、正常3类 润燥 燥、滑、正常3类
7、依次构建了三个舌象多诊察特征分类数据集，分别用sipl-a、sipl-b、sipl-c表示。
8、步骤2：基于高效多尺度注意力机制的轻型卷积神经网络设计
9、densenet网络采用了密集连接机制，即互相连接所有的层，每个层都会与前面所有层在通道维度上连接在一起，实现特征重用，作为下一层的输入。这样，不但减缓了梯度消失的现象，也使其可以在参数与计算量较少的情况下实现较优的分类性能。
10、本专利技术采用densenet-121作为骨干网络，构建了一个轻型的卷积神经网络结构。并把ema机制嵌入到dense block4层之后，用于对重要的通道进行增强，对非重要的通道进行抑制。构建的网络结构如图2所示，其中ema网络结构如图3所示，网络模型的参数量为8.43m。
11、步骤3：基于对比学习与高斯混合变分自编码器的多标签学习网络设计本专利技术设计的多标签学习网络整体框架如图4所示。该网络利用高斯混合变分自编码器学习多个符合高斯分布的潜在空间，并将概率建模与特征映射协同集成，学习舌色、苔色、腐腻、润燥四类诊察特征和标签共享的潜在深层特征空间。并采用对比学习，最小化同类样本在不同潜空间下特征之间的距离，同时最大化不同类别样本间的特征距离。通过上述两种方式相结合，提升特征的表达与区分能力，实现舌象多诊察特征的协同分类。
12、步骤4：舌象多标签分类网络模型训练
13、本专利技术将步骤1构建的舌象多诊察特征分类数据集划分为训练集和测试集，划分比例为8:2。总损失函数采用具有抗噪能力的对称修正交叉熵损失函数(symmetricmodified cross-entropy,smce)和基于对比学习的损失函数(information noisecontrastive estimation，infonce)相结合，对网络模型的训练过程进行优化监督。
14、通过训练，得到一个舌象多标签分类网络模型，可以同时对舌色、苔色、腐腻和润燥四种诊察特征进行分析预测。
15、与现有技术相比，本专利技术具有以下明显的优势和实际应用价值：
16、1、分类精度高。相比于传统的单标签分类模型，多标签分类网络通过不同标签的协同学习，可以有效利用各个诊察特征之间的关联性，提升模型整体预测的准确性。
17、系统整体实现复杂度低。相比于需要为每个标签单独训练一个模型，多标签分类网络可以在一个统一的框架下预测多个标签，从而极大地降低系统整体实现的复杂度。此外，骨干网络采用densenet，通过引入高效多尺度注意力机制ema来提升特征的表达能力，能以轻型的网络结构获得较优的分类性能。
本文档来自技高网...【技术保护点】
1.一种基于多标签学习的中医舌象多诊察特征分类方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于多标签学习的中医舌象多诊察特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。