一种舌苔分析评估系统及方法
文献发布时间:2023-06-19 19:30:30
技术领域
本申请属于医学分析领域,具体涉及一种舌苔分析评估系统及方法。
背景技术
现阶段暂时有以下几个技术:
技术一:基于面部和舌部图像采集的中医评估分析系统及其方法-CN201911276673.9-发明审中;
技术二:具有分布式用户终端的舌苔图像获取与分析系统-CN201310302483.6-发明授权。
技术一主要通过远程观察患者面色、舌苔、舌底以及远程切脉对患者进行诊治,实现远程医疗,为患者的就诊提供了方便。
技术二主要通过用户手上的终端获取舌苔图像,并通过提取舌苔特征进行分析,主要为用户个性化地监控健康状况、预防疾病发生或监控疾病发展与治疗过程提供一种参考。
针对技术一和技术二,仍存在以下几个问题:①由于个体拍照条件不同,舌苔图像背景差异大,不便于统一分析。②舌苔图像分析主要基于计算机软件预测,缺少大量的机器学习过程。③技术二的系统分析只能够针对一般患者进行分析,无法对口腔溃疡等特殊患者进行个体化分析。④目前的这几项技术主要作用在于患者就诊和健康监测,缺少科研、教学方面的用途。
发明内容
本申请提出了一种舌苔分析评估系统及方法,专门配备一套舌苔拍摄仪,保证每张舌苔图像背景一致,便于后续比对、分析。此外,本申请通过机器学习(模型训练)分析舌苔特征并和通过拉依达准则计算常规舌苔特征的阈值范围。进一步基于CART算法和标定的异常舌苔特征,得到CART决策树,筛选异常舌苔图像。此外构建异常舌苔图像库,在异常舌苔图像库的基础上构建特异性舌苔分析模型,对异常舌苔进行评估。因此,当输入一张新的舌苔图像,系统能根据舌苔特征提供初步分析,既简便了医生的分析手续也为一些青年医生提供分析建议。并且在整个舌苔分析过程中,综合系统分析和医生判定对舌苔图像打上标签,并储存在图像库中。在教学和科研中,可以通过图像标签随时随地的搜索对应图像,方便教学和科研汇总。
为实现上述目的,本申请提供了如下方案:
一种舌苔分析评估系统,包括拍摄设备、舌苔分析评估系统;
所述舌苔分析评估系统用于对所述拍摄设备拍摄到的舌苔图像进行评估。
优选的,所述拍摄设备包括摄像头、屏幕、补光灯和控制器;
所述摄像头用于拍摄舌苔照片;
所述屏幕显示舌头放置范围;
所述补光灯用于提供柔和灯光;
所述控制器用于控制灯光强度、拍摄灵敏度并将舌苔图像上传到云储存空间,进行舌苔分析及结果输出。
优选的,所述舌苔分析评估系统对所述拍摄设备拍摄到的舌苔图像进行评估的方法包括:
分析舌苔特征,构建初步舌苔分析模型;
计算常规舌苔阈值范围;
基于所述常规舌苔阈值范围,筛选异常舌苔图像;
基于所述异常舌苔图像,构建特异性舌苔分析模型,对异常舌苔进行评估。
优选的,所述舌苔特征包括:舌质和舌苔颜色。
优选的,所述计算常规舌苔阈值范围的方法包括:拉依达准则。
优选的,筛选异常舌苔图像的方法包括:基于所述计算的常规舌苔阈值范围,再基于CART算法和预先标定的异常舌苔特征进行筛选。
优选的,所述拍摄装置包括拍摄箱体、拍摄入口、无影灯、杀菌制剂和图像引导屏幕;
所述拍摄入口和所述图像引导屏幕分别位于所述拍摄箱体的两个对立侧面;
所述无影灯和所述杀菌制剂位于所述拍摄箱体的另外两个侧面。
本申请还提供一种舌苔分析评估方法,包括如下步骤:
拍摄设备拍摄舌苔图像;
舌苔分析评估系统对所述舌苔图像进行分析,得到舌苔分析结果。
本申请的有益效果为:
本申请公开了一种舌苔分析评估系统及方法,通过机器学习(模型训练)分析舌苔特征并和通过拉依达准则计算常规舌苔特征的阈值范围。进一步基于CART算法和标定的异常舌苔特征,得到CART决策树,筛选异常舌苔图像。此外构建异常舌苔图像库,在异常舌苔图像库的基础上构建特异性舌苔分析模型,对异常舌苔进行评估,还能够提供背景一致、无外界因素干扰的舌苔图像;能够根据舌苔图像初步判定患者疾病情况,给医生提供评估建议;对舌苔图像进行分类归纳,便于后期教学和科研汇总分析。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一的一种舌苔分析评估系统结构示意图;
图2为本申请实施例二的一种舌苔分析评估方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示,为本申请的一种舌苔分析评估系统结构示意图,包括拍摄设备、舌苔分析评估系统;拍摄设备包括摄像头、屏幕、补光灯、控制器。摄像头用于拍摄舌苔照片;屏幕显示舌头放置范围,当舌头准确放置在该范围内,就能自动拍摄舌苔图像;补光灯用于提供柔和灯光,排除光线对舌苔图像分析结果的影响;控制器用于控制灯光强度、拍摄灵敏度并将舌苔图像上传到云储存空间,进行舌苔分析及结果输出。该专用拍摄设备保证舌苔图像背景一致,避免外界因素对舌苔分析结果的干扰。
舌苔分析评估系统对拍摄设备拍摄到的舌苔图像进行评估;
邀请多名资深老中医对上述拍摄设备拍摄到的舌苔图像进行评估,并将评估报告输送至计算机中进一步分析和归档;根据舌苔特征进行分类,然后归档到不同文件夹中,计算机通过分析舌苔特征,舌苔特征包括:舌质和舌苔颜色,构建初步舌苔分析模型;通过拉依达准则计算常规舌苔阈值范围;
基于常规舌苔阈值范围、CART算法和预先标定的异常舌苔特征,
CART决策树的基本原理是通过对训练数据集的循环分析形成二叉树形式的决策树,选择使子节点的GINI指数值最小的属性作为分裂的方案。
建立决策树分类公式如下:
式中,GINI(D,A)为在已知特征A的条件下集合D的GINI指数。GINI(D,A)取值越大,样本的不确定性也越大,此处需要选择满足GINI(D,A)取最小值的特征A。CART决策树算法在分支结点上进行布尔运算,判断条件为真则在节点的左分支,否则在右分支,运算得到二叉决策树。当决策树的层数达到预先设置的最大值,或所有叶结点中的样本属于同一个类别或样本数为1时,CART决策树算法建树停止生长,完成分类器的训练。
舌质纹理粗糙或皱缩,坚敛而不柔软,舌色较暗或者舌质纹理细腻,浮胖娇嫩,舌色浅淡;舌红绛肿胀;舌体痩薄而色淡、齿痕为异常舌苔特征,进行筛选,得到CART决策树,CART决策树首先根据舌苔颜色进行0、1区分,之后再进行舌苔纹理0、1区分,齿痕0、1区分,肿胀与否0、1区分,最后得到CART决策树,筛选异常舌苔图像;
基于异常舌苔图像,构建异常舌苔图像库,在异常舌苔图像库的基础上机器自身学习完善构建特异性舌苔分析模型,对异常舌苔进行评估。因此,当输入一张新的舌苔图像,系统能根据舌苔特征提供评估结果,根据数据分析,医生进行评判,既简便了医生的分析手续也为一些青年医生提供分析建议。通过医生自己进行打分(判断好还是坏),然后提交给计算机通过机器学习,慢慢提高准确性。在教学和科研中,可以通过图像标签随时随地的搜索对应图像,方便教学和科研汇总。
实施例二
如图2所示,为本申请实施例二的一种舌苔分析评估方法流程示意图;包括以下步骤:
拍摄设备拍摄舌苔图像;
拍摄设备包括摄像头、屏幕、补光灯、控制器。摄像头用于拍摄舌苔照片;屏幕显示舌头放置范围,当舌头准确放置在该范围内,就能自动拍摄舌苔图像;补光灯用于提供柔和灯光,排除光线对舌苔图像分析结果的影响;控制器用于控制灯光强度、拍摄灵敏度并将舌苔图像上传到云储存空间,进行舌苔分析及结果输出。该专用拍摄设备保证舌苔图像背景一致,避免外界因素对舌苔分析结果的干扰。
舌苔分析评估系统对舌苔图像进行分析,得到舌苔分析结果。
邀请多名资深老中医对上述拍摄设备拍摄到的舌苔图像进行评估,并将评估报告输送至计算机中进一步分析和归档;根据舌苔特征进行分类,然后归档到不同文件夹中,计算机通过分析舌苔特征,舌苔特征包括:舌质和舌苔颜色,构建初步舌苔分析模型;通过拉依达准则计算常规舌苔阈值范围;
基于常规舌苔阈值范围、CART算法和预先标定的异常舌苔特征,
CART决策树的基本原理是通过对训练数据集的循环分析形成二叉树形式的决策树,选择使子节点的GINI指数值最小的属性作为分裂的方案。
建立决策树分类公式如下:
式中,GINI(D,A)为在已知特征A的条件下集合D的GINI指数。GINI(D,A)取值越大,样本的不确定性也越大,此处需要选择满足GINI(D,A)取最小值的特征A。CART决策树算法在分支结点上进行布尔运算,判断条件为真则在节点的左分支,否则在右分支,运算得到二叉决策树。当决策树的层数达到预先设置的最大值,或所有叶结点中的样本属于同一个类别或样本数为1时,CART决策树算法建树停止生长,完成分类器的训练。
舌质纹理粗糙或皱缩,坚敛而不柔软,舌色较暗或者舌质纹理细腻,浮胖娇嫩,舌色浅淡;舌红绛肿胀;舌体痩薄而色淡、齿痕为异常舌苔特征,进行筛选,得到CART决策树,CART决策树首先根据舌苔颜色进行0、1区分,之后再进行舌苔纹理0、1区分,齿痕0、1区分,肿胀与否0、1区分,最后得到CART决策树,筛选异常舌苔图像;
基于异常舌苔图像,构建异常舌苔图像库,在异常舌苔图像库的基础上机器自身学习完善构建特异性舌苔分析模型,对异常舌苔进行评估。因此,当输入一张新的舌苔图像,系统能根据舌苔特征提供评估结果,根据数据分析,医生进行评判,既简便了医生的分析手续也为一些青年医生提供分析建议。通过医生自己进行打分(判断好还是坏),然后提交给计算机通过机器学习,慢慢提高准确性。在教学和科研中,可以通过图像标签随时随地的搜索对应图像,方便教学和科研汇总。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。