JoVE Logo
Yazarlar
Bize Ulaşın

Oturum Aç

Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.

Bu Makalede

  • Özet
  • Özet
  • Giriş
  • Protokol
  • Sonuçlar
  • Tartışmalar
  • Açıklamalar
  • Teşekkürler
  • Malzemeler
  • Referanslar
  • Yeniden Basımlar ve İzinler

Özet

Bu çalışma, bir dil görüntüsünü segmentlere ayırmak için U-Net ve diğer derin öğrenme algoritmalarını kullandı ve dil tanısının nesnelleştirilmesini araştırmak için segmentasyon sonuçlarını karşılaştırdı.

Özet

Dil teşhisi, geleneksel Çin tıbbı (TCM) teşhisinin temel bir tekniğidir ve görüntü işleme teknolojisi ile dil görüntülerini nesneleştirme ihtiyacı artmaktadır. Bu çalışma, son on yılda dil nesnelleştirmesinde kaydedilen ilerlemeye genel bir bakış sunmakta ve segmentasyon modellerini karşılaştırmaktadır. Gerçek dil görüntü kümelerini kullanarak algoritmaları doğrulamak ve karşılaştırmak için çeşitli derin öğrenme modelleri oluşturulmuştur. Her modelin güçlü ve zayıf yönleri analiz edilir. Bulgular, U-Net algoritmasının hassasiyet doğruluğu (PA), geri çağırma ve birleşme (MIoU) metrikleri üzerinden ortalama kesişim ile ilgili diğer modellerden daha iyi performans gösterdiğini göstermektedir. Bununla birlikte, dil görüntüsü elde etme ve işlemedeki önemli ilerlemelere rağmen, dil tanısını nesnelleştirmek için tek tip bir standart henüz belirlenmemiştir. Mobil cihazlar kullanılarak yakalanan dil görüntülerinin dil tanı nesneleştirmesinde yaygın olarak uygulanmasını kolaylaştırmak için, daha fazla araştırma karmaşık ortamlarda yakalanan dil görüntülerinin yarattığı zorlukları ele alabilir.

Giriş

Dil gözlemi, geleneksel Çin etnik tıbbında (TCM) yaygın olarak kullanılan bir tekniktir. Dilin rengi ve şekli fiziksel durumu ve çeşitli hastalık özelliklerini, şiddetlerini ve prognozlarını yansıtabilir. Örneğin, geleneksel Hmong tıbbında, dilin rengi vücut ısısını tanımlamak için kullanılır, örneğin kırmızı veya mor bir dil, ısı ile ilgili patolojik faktörleri gösterir. Tibet tıbbında, bir durum hastanın dilini gözlemleyerek, mukusun rengine, şekline ve nemine dikkat ederek değerlendirilir. Örneğin, Heyi hastalığı olan hastaların dilleri kırmızı ve kaba veya siyah ve kuruolur 1; Xieri hastalığı2 olan hastaların sarı ve kuru dilleri vardır; Bu arada, Badakan hastalığı3 olan hastaların beyaz, nemli ve yumuşak bir dilivardır 4. Bu gözlemler dil özellikleri ile fizyoloji ve patoloji arasındaki yakın ilişkiyi ortaya koymaktadır. Genel olarak, dilin durumu tanı, hastalık tanımlama ve tedavi etkisinin değerlendirilmesinde hayati bir rol oynar.

Aynı zamanda, farklı etnik gruplar arasındaki farklı yaşam koşulları ve diyet uygulamaları nedeniyle, dil görüntülerindeki farklılıklar belirgindir. Rengin belirlenmesi için uluslararası bir standart temelinde kurulan Laboratuvar modeli, 1931 yılında Uluslararası Ekler Komisyonu (CIE) tarafından formüle edilmiştir. 1976'da bir renk deseni değiştirildi ve adlandırıldı. Lab renk modeli üç öğeden oluşur: L parlaklığa karşılık gelirken, a ve b iki renk kanalıdır. a, koyu yeşilden (düşük parlaklık değeri) griye (orta parlaklık değeri) parlak pembeye (yüksek parlaklık değeri) kadar renkleri içerir; b, parlak maviden (düşük parlaklık değeri) griye (orta parlaklık değeri) sarıya (yüksek parlaklık değeri) geçer. Beş etnik grubun dil renginin L x a x b değerlerini karşılaştırarak, Yang ve ark.5 , Hmong, Hui, Zhuang, Han ve Moğol gruplarının dil görüntülerinin özelliklerinin birbirinden önemli ölçüde farklı olduğunu bulmuşlardır. Örneğin, Moğollar sarı dil kaplamalı koyu dillere sahipken, Hmong'un beyaz dil kaplamalı açık dilleri vardır, bu da dil özelliklerinin bir popülasyonun sağlık durumunu değerlendirmek için tanısal bir gösterge olarak kullanılabileceğini düşündürmektedir. Ayrıca, dil görüntüleri, etnik tıbbın klinik araştırmalarında kanıta dayalı tıp için bir değerlendirme indeksi olarak işlev görebilir. O ve ark.6 , TCM tanısı için bir temel olarak dil görüntülerini kullandılar ve Çin ve Batı tıbbı ile birlikte Chou-Ling-Dan peletlerinin (TCM'de mevsimsel grip de dahil olmak üzere enflamatuar ve ateşli hastalıkları tedavi etmek için kullanılan CLD granülleri) güvenliğini ve etkinliğini sistematik olarak değerlendirdiler. Sonuçlar, dil görüntülerinin klinik çalışmalar için bir değerlendirme indeksi olarak bilimsel geçerliliğini ortaya koymuştur. Bununla birlikte, geleneksel tıp pratisyenleri genellikle dil özelliklerini gözlemlemek ve hastaların fizyolojik ve patolojik durumlarını değerlendirmek için öznelliğe güvenir ve daha kesin göstergeler gerektirir.

İnternetin ve yapay zeka teknolojisinin ortaya çıkışı, dil teşhisinin dijitalleştirilmesinin ve nesneleştirilmesinin önünü açmıştır. Bu süreç, dil görüntüsünün içeriğini yansıtan dil görüntülerinin nitel ve nesnel bir tanımını sağlamak için matematiksel modellerin kullanılmasını içerir7. İşlem birkaç adım içerir: görüntü yakalama, optik telafisi, renk düzeltme ve geometrik dönüşüm. Önceden işlenmiş görüntüler daha sonra görüntü konumlandırma ve segmentasyon, özellik çıkarma, desen tanıma vb. İçin algoritmik bir modele beslenir. Bu işlemin çıktısı, dil görüntü verilerinin son derece verimli ve kesin bir teşhisidir, böylece dil teşhisinin nesnelleştirilmesi, nicelleştirilmesi ve bilgilendirilmesi hedefine ulaşılır8. Böylece dil tanı verilerinin yüksek verimlilik ve yüksek hassasiyetle işlenmesi amacına ulaşılmaktadır. Dil tanılama bilgisine ve derin öğrenme teknolojisine dayanan bu çalışma, doktorlar için dillerin nicel özelliklerini çıkarmak, tanının güvenilirliğini ve tutarlılığını artırmak ve sonraki dil tanısı nesneleştirme araştırmaları için yöntemler sağlamak amacıyla bir bilgisayar algoritması kullanarak dil gövdesini ve dil kaplamasını dil görüntülerinden otomatik olarak ayırmıştır9.

Protokol

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı projesi olan TCM Yüz Görüntüsünün İlişkilendirme Analizine Dayalı Dinamik Değişim Kurallarının Oluşturulması projesi tarafından onaylanmıştır. Etik onay numarası 2021KL-027 olup, klinik araştırma protokolü (2021.04.12, V2.0), bilgilendirilmiş onam (2021.04.12, V2.0), denek işe alım materyalleri (2021.04.12, V2.0), çalışma vakaları ve/veya vaka sunumları, konu günlük kartları ve diğer anketler (2021.04.12, V2.0), klinik araştırmaya katılanların listesi, araştırma projesi onayı, vb. Çalışmaya katılan hastalardan bilgilendirilmiş onam alındı. Bu çalışmanın temel deneysel yaklaşımı, model segmentasyon etkilerini doğrulamak ve karşılaştırmak için gerçek dil görüntülerini kullanmaktır. Şekil 1 , dil tanı nesnelleştirmesinin bileşenlerini sunmaktadır.

1. Görüntü alma

  1. Hastaların lingual yüz görüntülerini toplamak için kendi geliştirdiği el tipi lingual yüz teşhis cihazını kullanın.
  2. Bilgisayar sayfasında hastanın adını, cinsiyetini, yaşını ve hastalığını girin. Burada yer alan görüntüler, kliniğe gelen ve çalışmanın amacı ve içeriği hakkında bilgilendirildikten sonra fotoğraflanmayı kabul eden hastalara aittir. Hastanın dik oturduğunu onaylayın, tüm yüzü görüntü alma cihazına yerleştirin ve hastaya dilini ağzından maksimum ölçüde uzatmasını söyleyin.
  3. Görüntü alma cihazını bir bilgisayara bağlı tutun ve bilgisayar ekranındaki görüntüler aracılığıyla hastanın doğru konumda olduğunu ve dilin ve yüzün tamamen açıkta olduğunu doğrulayın.
  4. Üç fotoğraf çekmek için bilgisayar ekranındaki Shoot (Çek ) düğmesine üç kez basın.
    NOT: Görüntü toplama aracı şu anda sadece patent başvuru aşamasındadır ve ticari kullanım için değildir, bu nedenle satılık değildir.
  5. Toplanan dil ve yüz görüntülerini manuel olarak seçin ve filtreleyin. Dil ve yüze pozlaması tamamlanmamış görüntülerin yanı sıra yetersiz ışık nedeniyle çok karanlık olan görüntüleri filtreleyin ve hariç tutun. Şekil 2 , yazılımın görüntü alma sayfasını göstermektedir.
  6. Deneysel tasarımda, alternatif olarak her hastadan bir seferde üç görüntü toplayın ve sonraki algoritma eğitimi ve testi için örnek olarak nispeten standart, tamamen pozlanmış, iyi aydınlatılmış ve net bir görüntü seçin.
  7. Çekimden sonra veri toplayın, manuel tarama için verileri dışa aktarın ve çıplak gözle görülebilen standart dışı görüntüleri silin. Aşağıdaki filtreleme ve hariç tutma ölçütlerini kullanın: eksik dil ve yüze maruz kalma ve yetersiz ışığın bir sonucu olarak çok karanlık görüntüler. Az aydınlatılmış, tamamlanmamış ve standart bir görüntü örneği Şekil 3'te gösterilmiştir.
    NOT: Yetersiz ışık genellikle hastanın yüzünü tamamen aletin içine yerleştirememesinden kaynaklanır. Tam pozlama genellikle sadece hastanın doğru şekilde fotoğraflanmasıyla elde edilir.

2. Dil segmentasyonu

  1. Aşağıda açıklandığı gibi çevrimiçi bir ek açıklama aracı kullanarak dil görüntüsü segmentasyonu gerçekleştirin.
    1. Labelme'yi yükleyin, etiket arayüzünün sol üst köşesindeki Aç düğmesine tıklayın, görüntünün bulunduğu klasörü seçin ve fotoğrafları açın.
    2. İzleme noktalarını başlatmak, dil ve dil şekillerini izlemek, seçilen alanlara (örneğin, dil ve dil yüzeyi) göre adlandırmak ve kaydetmek için çokgen oluştur'a tıklayın.
    3. Tüm işaretler tamamlandığında, görüntüyü veri klasörüne kaydetmek için Kaydet'i tıklatın. Ayrıntılı bir akış şeması için Şekil 4'e bakın.
      NOT: Görüntülerde piksel farklılıkları olabileceğinden, görüntüler algoritma eğitimi ve testi için doğrudan kullanılamaz.
  2. Hedef dolgu uzunluğu olarak görüntünün uzun kenarı olacak şekilde görüntüleri kenar doldurarak ve görüntüleri bir kareye doldurmak için beyaz kenar dolgusu gerçekleştirerek, görüntünün uzun tarafı kenar uzunluğu olarak kullanarak görüntüleri aynı boyutta birleştirin. Cihaz tarafından yakalanan görüntü boyutu 1080 x 1920 pikseldir ve doldurulan görüntünün boyutu 1920 x 1920 pikseldir. Bkz. Şekil 5.
  3. Gerekirse görüntü geliştirme uygulayın. Kullanılan görüntüler sabit bir sahnede çekildiği ve çevre, aydınlatma ve diğer faktörlerden daha az etkilendiği için bu çalışmada herhangi bir iyileştirme uygulanmamıştır.
  4. Çekim işlemi sırasında nesnenin yanıp sönmesi ve lens bloke etme gibi kontrol edilemeyen faktörleri hesaba katmak için her hasta için üç görüntü toplandığından, hasta başına bir görüntüyü korumak için her hastadan gelen görüntüleri manuel olarak tarayın.
  5. Modeli eğitmek amacıyla, 200 kişiden veya 600 görüntüden veri toplayın. Gösterimden sonra, yaklaşık 200 kullanılabilir görüntüyü saklayın.
  6. Görüntü numarasına göre, tüm dil görüntülerini rastgele bölün, bunların% 70'ini eğitim setine ve% 30'unu bir elektronik tablodaki test setine yerleştirin.

3. Dil sınıflandırması

  1. Resmi web sitelerine gidin ve Anaconda, Python ve Labelme'yi indirip yükleyin. Ortamı etkinleştirin ve genel ortamın kurulumunu ve ayarlanmasını tamamlayın. Yazılımın kurulumunu ve kurulumunu açıklayan bir akış şeması için Şekil 6'ya bakın.
  2. Yüklü ortamda derin öğrenme algoritması modelini oluşturun, parametreleri ayarlayın ve eğitim kümesini kullanarak model eğitimini tamamlayın. Model seçimini ve ayarlamasını aşağıdaki adımlarda açıklandığı gibi gerçekleştirin.
    1. Model seçimi: Araştırmanın amacına göre uygun modeli seçin. Son 5 yılda dil görüntü işleme üzerine yapılan araştırmalar gözden geçirildikten sonra, bu çalışmada doğrulama için U-Net, Seg-Net, DeeplabV3 ve PSPNet olmak üzere dört algoritma seçilmiştir (model kodları için Ek Kodlama Dosyası 1, Ek Kodlama Dosyası 2, Ek Kodlama Dosyası 3 ve Ek Kodlama Dosyası 4'e bakınız).
    2. Veri kümesi oluşturma: Model seçimini tamamladıktan sonra, yukarıda açıklandığı gibi, esas olarak Labelme ek açıklamasını ve tekdüze görüntü boyutu yöntemlerini kullanarak araştırma içeriğiyle birlikte gerekli veri kümesini oluşturun.
  3. Aşağıda açıklandığı gibi model eğitimi gerçekleştirin. Şekil 7 , algoritma eğitim işleminin ayrıntılarını göstermektedir.
    1. İleriye doğru yayılım için verileri sinir ağına girin, her nöron önce ağırlıklı bir değer birikimi girer ve daha sonra sonucu elde etmek için bu nöronun çıkış değeri olarak bir aktivasyon fonksiyonu girer.
    2. Sonucu hata işlevine girin ve hatayı almak ve yanlışlıkla tanıma derecesini değerlendirmek için beklenen değerle karşılaştırın. Kayıp fonksiyonu ne kadar küçük olursa, model o kadar iyi olur.
    3. Geri yayılımı ile hatayı azaltın ve gradyan vektörünü belirleyin. Ağırlıkları gradyan vektörüne göre sonuçlara doğru eğilime göre ayarlayın, böylece hata sıfıra düşme veya küçülme eğilimindedir.
    4. Set tamamlanana veya hata değeri artık azalmayana kadar bu eğitim işlemini tekrarlayın, bu noktada model eğitimi tamamlanır. Eğitim ve testteki algoritma modelinin akış şeması için Şekil 8'e bakın.
  4. Segmentasyon için aynı test verilerini kullanarak dört modeli test edin ve segmentasyon etkisine göre model performansını değerlendirin. Dört hassasiyet, hatırlama, ortalama piksel doğruluğu (MPA) ve MIoU metriği daha kapsamlı bir model performansı değerlendirmesi sağlar.
  5. Dört modelin sonuçları oluşturulduktan sonra, değerlerini yatay olarak karşılaştırın; Değer ne kadar yüksek olursa, segmentasyon doğruluğu o kadar yüksek olur ve modelin performansı o kadar iyi olur. Bkz. Şekil 9, Şekil 10 ve Şekil 11.

Sonuçlar

Karşılaştırma sonuçları için, bu çalışma tarafından oluşturulan ortamın algoritma modelini eğitmek ve test etmek için aynı örnekleri kullandığı Şekil 12, Şekil 13 ve Tablo 1'e bakın. MIoU göstergesi: U-Net > Seg-Net > PSPNet > DeeplabV3; MPA göstergesi: U-Net > Seg-Net > PSPNet > DeeplabV3; hassasiyet göstergesi: U-Net > Seg-Net > DeeplabV3 > PSPNet; hatırlama: U-Net > Seg-Net > PSPNet > DeeplabV3. Dizin değeri ne ka...

Tartışmalar

Yukarıda sunulan karşılaştırma sonuçlarına dayanarak, incelenen dört algoritmanın özelliklerinin çeşitli olduğu ve bunların belirgin avantaj ve dezavantajlarının aşağıda açıklandığı açıktır. Tam bir evrişim ağının modifikasyonuna ve genişlemesine dayanan U-Net yapısı, bir büzülme yolu ve simetrik bir genişleyen yol aracılığıyla bağlamsal bilgi ve kesin konumlandırma elde edebilir. Her piksel noktasını sınıflandırarak, bu algoritma daha yüksek bir segmentasyon doğruluğu e...

Açıklamalar

Yazarların beyan edecekleri bir çıkar çatışması yoktur.

Teşekkürler

Bu çalışma, Çin Ulusal Doğa Vakfı (hibe no.82004504), Çin Bilim ve Teknoloji Bakanlığı Ulusal Anahtar Araştırma ve Geliştirme Programı (hibe no.2018YFC1707606), Sichuan Eyaleti Çin Tıbbı İdaresi (hibe no.2021MS199) ve Çin Ulusal Doğa Vakfı (hibe no.82174236) tarafından desteklenmiştir.

Malzemeler

NameCompanyCatalog NumberComments
CPUIntel(R) Core(TM) i7-9700K
GPU NVIDIA GeForce RTX 3070 Ti (8192MB)
Operating systemsMicrosoft Windows 10 Professional Edition (64-bit)
Programming languagePython
RAM16G

Referanslar

  1. Jiu, G., et al. Effects of herbal therapy on intestinal microbiota and serum metabolomics in different rat models of Mongolian medicine. Evidence-Based Complementary and Alternative. 2022, 7255780 (2022).
  2. Xi, J., Xin, Y., Teregle, Study on the correlation between the animal model of Mongolian medicine 34;Xieri disease" and serum ALT and AST. Electronic Journal of Cardiovascular Diseases in Combination of Traditional Chinese. 4 (33), 134-135 (2016).
  3. Yin, L., et al. Study on the mechanism of serum differential protein changes in bronchial asthma based on proteomics. Chinese Journal of Traditional Chinese Medicine. 47 (22), 6227-6234 (2022).
  4. Wang, X. H., Bao, L. Band Seed. The origin and development of tongue diagnosis in Mongolian medicine. Chinese Ethnic Folk Medicine. (1), 64-65 (2008).
  5. Yang, S., et al. A comparative study on the feature parameters of tongue diagnosis images in five nationalities. Chinese Journal of Traditional Chinese Medicine. 36 (11), 6428-6430 (2021).
  6. He, J. Y., et al. Efficacy and safety of Chou-Ling-Dan granules in the treatment of seasonal influenza via combining Western and traditional Chinese medicine, protocol for a multicentre, randomised controlled clinical trial. BMJ Open. 9 (4), e024800 (2019).
  7. Wang, D. J., et al. Scientific knowledge mapping and visualization analysis in the field of Chinese medicine tongue feature objectification research. World Science and Technology - Modernization of Chinese Medicine. 23 (9), 3032-3040 (2021).
  8. Yuan, S. M., Qian, P., Li, F. F. Research progress of color correction methods for tongue and face diagnosis in traditional Chinese Medicine. Chinese Journal of Traditional Chinese Medicine. 34 (9), 4183-4185 (2019).
  9. Kanawong, R., et al. Tongue image analysis and its mobile app development for health diagnosis. Advances in Experimental Medicine and Biology. 1005, 99-121 (2017).
  10. Yu, Y., et al. Semantic segmentation evaluation index and evaluation method. Computer Engineering and Application. , (2023).
  11. Sehyung, L., Negishi, M., Urakubo, H., Kasai, H., Ishii, S. Mu-net: Multi-scale U-net for two-photon microscopy image denoising and restoration. Neural Networks. 125, 92-103 (2020).
  12. Huang, X. M., et al. A review on the application of U-Net and its variants in medical image segmentation. Chinese Journal of Biomedical Engineering. 41 (5), 567-576 (2022).
  13. Lu, J. H., Xu, Y. F., Wang, Y. Q., Hao, Y. M. Research overview of tongue objectification in traditional Chinese medicine based on computer image technology. World Science and Technology - Modernization of Traditional Chinese Medicine. 24 (11), 4568-4573 (2022).
  14. Mansour, R. F., Althobaiti, M. M., Ashour, A. A. Internet of things and synergic deep learning based biomedical tongue color image analysis for disease diagnosis and classification. IEEE Access. 9, 94769-94779 (2021).
  15. Cai, Y. H., Hu, S. B., Guan, J., Zhang, X. F. Analysis of the development and application of tongue diagnosis objectification techniques in Chinese medicine. World Science and Technology - Modernization of Chinese Medicine. 23 (7), 2447-2453 (2021).
  16. Ghosh, S., Das, N., Nasipuri, M. Reshaping inputs for convolutional neural network: some common and uncommon methods. Pattern Recognition. 93, 79-94 (2019).
  17. Shang, Z. M., et al. Research progress of digital acquisition and characterization of tongue diagnosis information. Chinese Journal of Traditional Chinese Medicine. 36 (10), 6010-6013 (2021).
  18. Ning, J., Zhang, D., Wu, C., Yue, F. Automatic tongue image segmentation based on gradient vector flow and region merging. Neural Computing and Applications. 21, 1819-1826 (2012).
  19. Zheng, F., Huang, X. Y., Wang, B. L., Wang, Y. H. A method for tongue detection based on image segmentation. Journal of Xiamen University. 55 (6), 895-900 (2016).
  20. Li, Y. T., Luo, Y. S., Zhu, Z. M. Deep learning-based tongue feature analysis. Computer Science. 47 (11), 148-158 (2020).
  21. Wang, Y. D., Sun, C. H., Cui, J. L., Wu, X. R., Qin, Y. X. Research on deep learning-based tongue fissure segmentation algorithm. World Science and Technology - Modernization of Chinese Medicine. 23 (9), 3065-3073 (2021).
  22. Wang, X. M., Wang, R. Y., Guo, D., Lu, S. Z., Zhou, P. Research on the identification method of tongue punctures based on auxiliary light source. Journal of Sensing Technology. 29 (10), 1553-1559 (2016).
  23. Yang, J. D., Zhang, P. A fully connected neural network based on migration learning for tongue image classification. Journal of the Second Military Medical University. 39 (8), 897-902 (2018).
  24. Song, C., Wang, B., Xu, J. T. Research on tongue feature classification method based on deep migration learning. Computer Engineering and Science. 43 (8), 1488-1496 (2021).
  25. Ding, H. J., He, J. C. Study on modern techniques and methods of tongue diagnosis. Shi Zhen Chinese Medicine. 21 (5), 1230-1232 (2010).
  26. Zhai, P. B., et al. A multi-stage tongue image classification algorithm incorporating attention mechanism. Computer Engineering and Design. 42 (6), 1606-1613 (2021).
  27. Hou, Y. S. A new clustering analysis algorithm based on deep learning. Journal of Xinxiang University. 35 (12), 4 (2018).
  28. Shi, Y. L., et al. A decision tree algorithm for classification of non-small cell lung cancer evidence based on tongue and pulse data. World Science and Technology - Modernization of Chinese Medicine. 24 (7), 2766-2775 (2022).
  29. Li, J., Hu, X. J., Zhou, C. L., Xu, J. T. Study on the feature analysis and diagnosis model of diabetic tongue based on random forest algorithm. Chinese Journal of Traditional Chinese Medicine. 37 (3), 1639-1643 (2022).
  30. Chen, C. H., et al. The characteristics of the combination of the four diagnostic methods of traditional Chinese medicine from the perspective of the differences between Chinese and Western medical diagnosis methods. Journal of Guangzhou University of Traditional Chinese Medicine. 28 (3), 332-334 (2011).
  31. Chen, R., et al. Correlation analysis of tongue image and western medicine typing in 382 patients with novel coronavirus pneumonia based on Lab colour model and imaging histology. Chinese Journal of Traditional Chinese Medicine. 36 (12), 7010-7014 (2021).
  32. Ju, J. W., Jung, H., Lee, Y. J., Mun, S. W., Lee, J. H. Semantic segmentation dataset for AI-based quantification of clean mucosa in capsule endoscopy. Medicina. 58 (3), 397 (2022).
  33. Wu, X., et al. A review of research on deep learning in tongue image classification. Computer Science and Exploration. , 1-23 (2022).

Yeniden Basımlar ve İzinler

Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi

Izin talebi

Daha Fazla Makale Keşfet

T pSay 194etnik t pgeleneksel in t bbdil te hisialgoritmaderin renme

This article has been published

Video Coming Soon

JoVE Logo

Gizlilik

Kullanım Şartları

İlkeler

Bize Ulaşın

KÜTÜPHANEYE TAVSİYE ET

JoVE HABER BÜLTENLERİ

Araştırma

Eğitim

Yazarlar

Kütüphaneciler

JoVE Hakkında

Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır