[发明专利]一种基于信息损失区域检测机制的舌图像分割方法

说明书

本发明涉及基于信息损失区域检测机制的舌图像分割方法，可有效解决现有技术分割出来的舌图像边缘会变得粗糙的问题，其解决的技术方案是，包括以下步骤：步骤1:收集舌图像数据集；步骤2:舌图像标注与预处理；步骤3:构建舌图像分割模型；步骤4：训练并测试舌图像分割模型；本发明方法可以有效地提高舌图像边缘区域分割的准确率，为后续舌诊辩证分析提供有效依据，是舌图像分割方法上的创新。

技术领域

本发明涉及计算机图像分割领域，特别是一种基于信息损失区域检测机制的舌图像分割方法。

背景技术

中医是中国的文化智慧，其行之有效的实践方法，为中华民族的繁荣昌盛和健康发展做出了崇高贡献。中医学主要包括“望、闻、问、切”四种诊断方法，其中望诊是最有效、最直观的方法，人体内部器官通过经络与舌头相连，临床医生可以通过观察患者舌头的颜色、舌体形态等特征来辩证诊疗，这就是舌诊，属于望诊范畴。然而，由于传统的舌诊仅依赖于临床医生的经验积累，缺乏客观评价依据，且不可复制，因此舌诊客观化是当前中医药人工智能领域研究的热点。舌图像分割作为舌诊智能化的第一步，其分割质量将直接影响舌诊的客观化的结果。

传统的舌图像分割主要使用区域增长、边缘检测、分水岭等方法，但这些方法存在易受噪声的影响、需人工参与等因素影响，无法取得较好的分割效果。近几年，随着深度学习的发展，一些中医药人工智能研究领域的学者开始尝试将深度学习相关算法应用到舌图像分割中。比如，Lin等人提出基于ResNet端到端神经网络模型的舌图像分割方法，Li等人设计了一个基于UNet和迁移学习的舌图像分割框架，Gholami等人使用R-CNN完成舌图像分割。从以上研究可知，深度学习方法在舌图像分割中展现出极好的性能，得到了广泛应用。

然而，当舌部颜色接近邻近区域如唇部、口腔内部颜色时，分割出来的舌图像边缘会变得粗糙，严重制约着临床医生的辩证诊疗分析。因此需要在现有深度学习算法的基础上，提出一种能够提高舌图像边缘区域分割精度的方法，以实现更精确的舌图像边缘处理，解决过分割和欠分割的问题。

发明内容

针对上述情况，为解决现有技术之缺陷，本发明之目的就是提供一种基于信息损失区域检测机制的舌图像分割方法，可有效解决现有技术分割出来的舌图像边缘会变得粗糙的问题。

本发明解决的技术方案是，该舌图像分割方法包括以下步骤：

步骤1:收集舌图像数据集

舌图像分割数据集主要用于训练、验证和测试网络模型，为提高网络模型的泛化性，数据集通过舌诊采集仪器、开源数据库下载和手机摄像头拍摄三种方式获得；

步骤2:舌图像标注与预处理

为使训练的网络模型分割准确率更好，需先用Labelme图像标注工具对步骤1收集到的舌像进行舌体轮廓标注，之后利用数据增强程序对标注后的舌图像随机进行旋转、平移、缩放、添加噪声进行预处理，扩充原来的舌图像数据集；

步骤3:构建舌图像分割模型

现有图像分割方法在物体边界或高频区域，容易产生错分割问题，如果分割过程中过分的考虑图像的高层语义和大分辨率深度特征图，会消耗更大的人力和物力。为了解决上述问题，本发明通过识别舌图像分割中容易出错的物体边界和高频区域，来提高舌图像分割的准确率；这些区域称之为信息损失区域，这些区域虽然只占物体总像素的一少部分，但对最终的分割结果至关重要，因此，本发明提出了一种基于信息损失区域检测机制的舌图像分割主要包括：主干特征提取、构建特征金字塔、构建四叉树和基于Transformer的舌图像分割四个步骤：

3.1：主干特征提取

选择ResNet101作为主干特征提取网络，为了防止舌图像失真和保证分割效果的精确，首先在原舌图像边缘加灰条并保证边长能够整除2的6次方，然后传入到主干特征提取网络处理，经过一系列的卷积、标准化和激活函数之后，舌图像的长和宽不断的进行压缩，获得多个共享特征层，也就是相当于把舌图像划分成多个网格；

3.2：特征金字塔的构建