يستخدم هذا البروتوكول خوارزمية التعلم العميق لتقسيم صور اللسان ويفصل اللسان تلقائيا عن الصورة بأكملها ، والتي يمكن استخدامها لمزيد من البحث. يقارن هذا البروتوكول أداء خوارزمية تجزئة الصورة ذات اللسان الأربعة لتحديد الخوارزمية الأساسية التي يمكنها تقسيم اللسان بعداد واضح. يتم استخدام الأدوات والخوارزمية الحاصلة على براءة اختراع في هذه الدراسة.
يوصى باستخدام الأدوات المهنية وتكنولوجيا الكمبيوتر الرئيسية. للبدء ، قم بإعداد أداة تشخيص الوجه اللساني المحمولة المطورة ذاتيا لجمع صور الوجه اللغوية للمرضى. املأ اسم المريض وجنسه وعمره ومرضه على صفحة الكمبيوتر.
بعد ذلك ، اطلب من المريض الجلوس في وضع مستقيم ووضع جهاز الحصول على الصور متصلا بالكمبيوتر. بعد ذلك ، ضع وجه المريض في أداة الحصول على الصور واطلب منه مد لسانه من فمه إلى أقصى حد. تحقق من خلال الصور الموجودة على شاشة الكمبيوتر من أن المريض في الموضع الصحيح وأن اللسان والوجه مكشوفان بالكامل.
اضغط على زر التصوير على شاشة الكمبيوتر ثلاث مرات لالتقاط ثلاث صور. ثم حدد يدويا الصور التي تم جمعها للوجه واللسان. قم بتصفيتها وفقا لصفحة الحصول على الصور الخاصة بالبرنامج.
اجمع ثلاث صور من كل مريض في وقت واحد وقم بتصدير الصور إلى مجلد للفحص اليدوي. بعد ذلك ، حدد صورة قياسية ومكشوفة بالكامل ومضاءة جيدا وواضحة ، وهي عينة للتدريب والاختبار الخوارزمية. احذف الصور التي لا تفي بمعايير الصورة القياسية.
معايير الاستبعاد هي التعرض غير الكامل للسان والوجه والصور المظلمة للغاية. لإجراء تجزئة صورة اللسان ، افتح LabelMe وانقر على زر فتح في الزاوية اليسرى العليا من الواجهة. حدد المجلد الذي يحتوي على الصورة المراد تقسيمها وافتح الصور.
انقر على إنشاء مضلع زر لتتبع النقاط. تتبع اللسان والأشكال اللغوية ، وقم بتسميتها وفقا للمناطق المحددة ، واحفظها. عند الانتهاء من كل التعقب ، انقر فوق حفظ لحفظ الصورة في مجلد البيانات.
اضبط الجهاز لالتقاط صور بحجم 1080 × 1920 بكسل وتأكد من أن حجم الصورة المملوءة هو 1920 × 1920 بكسل. قم بفحص صور كل مريض يدويا لتحديد واحدة من الصور الثلاث التي تم التقاطها لعوامل لا يمكن السيطرة عليها والاحتفاظ بها ، مثل وميض الهدف وحجب العدسة. لتدريب النموذج ، اجمع البيانات من 200 فرد أو 600 صورة واحتفظ بحوالي 200 صورة قابلة للاستخدام بعد الفحص.
قسم جميع صور اللسان بشكل عشوائي وفقا لرقم الصورة ، وضع 70٪ منها في مجموعة التدريب و 30٪ من الصور في مجلد مجموعة الاختبار. قم بتنزيل وتثبيت Anaconda Python و LabelMe من مواقعهم الرسمية. تنشيط البيئة واستكمال تثبيت وتعديل البيئة العامة.
اختيار النموذج المناسب لغرض البحث. في هذه الدراسة ، تم اختيار UNet و SegNet و DeepLab الإصدار 3 و PSPNet للتحقق من صحتها. بعد ذلك ، قم ببناء نموذج خوارزمية التعلم العميق في البيئة المثبتة.
اضبط المعلمات عن طريق ضبط القيم وإكمال تدريب النموذج باستخدام مجموعة التدريب. باستخدام التعليقات التوضيحية LabelMe وطرق حجم الصورة الموحد ، قم ببناء مجموعة البيانات المطلوبة جنبا إلى جنب مع محتوى البحث. افحص نتائج التجزئة وقم بتقييم أداء النموذج بناء على أربعة مقاييس ، الدقة ، والاستدعاء ، ومتوسط دقة البكسل أو MPA ، و MIOU ، للحصول على تقييم أكثر شمولا.
قارن القيم التي تم إنشاؤها للنماذج الأربعة. كلما زادت القيمة ، زادت دقة التجزئة وكان أداء النموذج أفضل. وفقا لنتائج الفهرس ، تتفوق خوارزمية UNet على الخوارزميات الأخرى في MIOU و MPA والدقة والاستدعاء ، كما أن دقة التجزئة أعلى أيضا.
PSPNet أفضل من DeepLab الإصدار 3 في MIOU و MPA والاستدعاء ، في حين أن نموذج DeepLab الإصدار 3 أقل من نموذج المقطع في جميع الفهارس. في تجزئة اللسان ، تنتج المنطقة الحمراء الخارجية في الصورة عن تجزئة اللسان وتنتج المنطقة الخضراء الداخلية عن تجزئة طلاء اللسان. في هذه الدراسة ، كان أداء خوارزمية الوحدة جيدا في تجزئة اللسان ، ويمكن إجراء مزيد من الأبحاث بناء على خوارزميات الوحدة.