舌诊在传统医学中的客观化、数据分析与研究应用

该协议使用深度学习算法对舌头图像进行分割，并自动将舌头与整个图像分离，可用于进一步研究。该协议比较了四舌图像分割算法的性能，以选择可以分割舌头的基本算法，具有清晰的计数器。本研究使用了专利仪器和算法。

建议使用专业仪器，掌握计算机技术。首先，准备自主研发的手持式舌面诊断仪，采集患者的舌面图像。在计算机页面上填写患者的姓名、性别、年龄和疾病。

接下来，要求患者坐直并定位连接到计算机的图像采集设备。然后，将患者的面部放置在图像采集仪器中，并要求他们将舌头伸出嘴巴的最大程度。通过计算机屏幕上的图像验证患者是否处于正确的位置，并且舌头和面部是否完全暴露。

按三次计算机屏幕上的拍摄按钮可拍摄三张图像。然后，手动选择收集的面部和舌头图像。根据软件的图像采集页面过滤它们。

一次从每位患者收集三张图像，并将图像导出到文件夹中进行手动筛查。接下来，选择一个标准的、完全曝光的、光线充足的、清晰的图像，作为算法训练和测试的样本。删除不符合标准镜像条件的图片。

排除标准是不完全的舌头和面部暴露以及图像太暗。要执行舌头图像分割，请打开 LabelMe 并单击界面左上角的 可选 按钮。选择包含要分割的图像的文件夹并打开照片。

单击创建面按钮以追踪点。跟踪舌头和舌头形状，根据所选区域命名，然后保存。完成所有跟踪后，单击“保存”将图像保存到数据文件夹。

将设备设置为捕获大小为 1080x1920 像素的图像，并确保填充图像的大小为 1920x1920 像素。手动筛选每个患者的图像，以从因不可控因素（例如受试者闪烁和镜头遮挡）而拍摄的三张图像中选择并保留一张。为了训练模型，从 200 个人或 600 张图像中收集数据，并保留大约 200 张在筛选后可用的图像。

根据图像编号随机划分所有舌头图像，将70%的图像放入训练集中，将30%的图像放入测试集文件夹中。从他们的官方网站下载并安装Anaconda Python和LabelMe。激活环境，完成整体环境的安装和调整。

为研究目的选择合适的模型。在这项研究中，选择了UNet，SegNet，DeepLab Version 3和PSPNet进行验证。接下来，在已安装的环境中构建深度学习算法模型。

通过调整值来调整参数，并使用训练集完成模型训练。使用LabelMe标注和统一图像尺寸的方法，结合研究内容构建所需的数据集。检查分割结果，并根据精度、召回率、平均像素精度或 MPA 和 MIOU 四个指标评估模型性能，以获得更全面的评估。

比较四个模型的生成值。值越高，分割精度越高，模型的性能越好。根据指标结果，UNet算法在MIOU、MPA、精度和召回率方面优于其他算法，其分割精度也更高。

PSPNet在MIOU、MPA和recall方面优于DeepLab Version 3，而DeepLab Version 3模型在所有索引中都低于段模型。在舌头分割中，图像中的外部红色区域来自舌头分割，内部绿色区域来自舌苔分割。本研究单位算法在舌头分割中表现较好，基于单位算法可以进行进一步的研究。