पारंपरिक चिकित्सा, डेटा विश्लेषण और अध्ययन अनुप्रयोग में जीभ निदान का ऑब्जेक्टिफिकेशन
Summary
वर्तमान अध्ययन ने जीभ की छवि को विभाजित करने के लिए यू-नेट और अन्य गहन शिक्षण एल्गोरिदम का उपयोग किया और जीभ निदान के ऑब्जेक्टिफिकेशन की जांच के लिए विभाजन परिणामों की तुलना की।
Abstract
जीभ निदान पारंपरिक चीनी चिकित्सा (टीसीएम) निदान की एक आवश्यक तकनीक है, और छवि प्रसंस्करण प्रौद्योगिकी के माध्यम से जीभ छवियों को ऑब्जेक्टिफाई करने की आवश्यकता बढ़ रही है। वर्तमान अध्ययन पिछले एक दशक में जीभ ऑब्जेक्टिफिकेशन में हुई प्रगति का अवलोकन प्रदान करता है और विभाजन मॉडल की तुलना करता है। वास्तविक जीभ छवि सेट का उपयोग करके एल्गोरिदम को सत्यापित करने और तुलना करने के लिए विभिन्न गहन शिक्षण मॉडल का निर्माण किया जाता है। प्रत्येक मॉडल की ताकत और कमजोरियों का विश्लेषण किया जाता है। निष्कर्षों से संकेत मिलता है कि यू-नेट एल्गोरिदम सटीक सटीकता (पीए), रिकॉल, और मीन इंटरसेक्शन ओवर यूनियन (एमआईओयू) मैट्रिक्स के बारे में अन्य मॉडलों से बेहतर है। हालांकि, जीभ छवि अधिग्रहण और प्रसंस्करण में महत्वपूर्ण प्रगति के बावजूद, ऑब्जेक्टिफाइंग जीभ निदान के लिए एक समान मानक अभी तक स्थापित नहीं किया गया है। जीभ निदान ऑब्जेक्टिफिकेशन में मोबाइल उपकरणों का उपयोग करके कैप्चर की गई जीभ छवियों के व्यापक अनुप्रयोग की सुविधा के लिए, आगे के शोध जटिल वातावरण में कैप्चर की गई जीभ छवियों द्वारा उत्पन्न चुनौतियों को संबोधित कर सकते हैं।
Introduction
जीभ अवलोकन पारंपरिक चीनी जातीय चिकित्सा (टीसीएम) में एक व्यापक रूप से उपयोग की जाने वाली तकनीक है। जीभ का रंग और आकार शारीरिक स्थिति और विभिन्न रोग गुणों, सेवरिटीज और प्रोग्नोस को प्रतिबिंबित कर सकता है। उदाहरण के लिए, पारंपरिक हमोंग चिकित्सा में, जीभ के रंग का उपयोग शरीर के तापमान की पहचान करने के लिए किया जाता है जैसे, एक लाल या बैंगनी जीभ गर्मी से संबंधित रोग संबंधी कारकों को इंगित करती है। तिब्बती चिकित्सा में, एक स्थिति को रोगी की जीभ को देखकर, बलगम के रंग, आकार और नमी पर ध्यान देकर आंका जाता है। उदाहरण के लिए, हेई रोग वाले रोगियों की जीभ लाल और खुरदरी या कालीऔर सूखी हो जाती है; ज़ीरी रोग2 वाले रोगियों में पीली और सूखी जीभ होती है; इस बीच, बदाकन रोग3 वाले रोगियों में सफेद, आर्द्र और नरम जीभ4 होती है। ये अवलोकन जीभ की विशेषताओं और शरीर विज्ञान और विकृति के बीच घनिष्ठ संबंध को प्रकट करते हैं। कुल मिलाकर, जीभ की स्थिति निदान, रोग की पहचान और उपचार प्रभाव के मूल्यांकन में महत्वपूर्ण भूमिका निभाती है।
इसके साथ ही, विभिन्न जातीय समूहों के बीच विविध रहने की स्थिति और आहार प्रथाओं के कारण, जीभ की छवियों में भिन्नता स्पष्ट है। रंग के निर्धारण के लिए एक अंतरराष्ट्रीय मानक के आधार पर स्थापित लैब मॉडल, 1931 में कमीशन इंटरनेशनल एक्लेयर (सीआईई) द्वारा तैयार किया गया था। 1976 में, एक रंग पैटर्न को संशोधित और नामित किया गया था। लैब रंग मॉडल तीन तत्वों से बना है: एल चमक से मेल खाता है, जबकि ए और बी दो रंग चैनल हैं। ए में गहरे हरे रंग (कम चमक मूल्य) से ग्रे (मध्यम चमक मूल्य) से उज्ज्वल गुलाबी (उच्च चमक मूल्य) तक के रंग शामिल हैं; बी उज्ज्वल नीले (कम चमक मूल्य) से ग्रे (मध्यम चमक मूल्य) से पीले (उच्च चमक मूल्य) तक जाता है। पांच जातीय समूहों के जीभ के रंग के एल एक्स ए एक्स बी मूल्यों की तुलना करके, यांग एट अल .5 ने पाया कि हमोंग, हुई, झुआंग, हान और मंगोलियाई समूहों की जीभ छवियों की विशेषताएं एक दूसरे से काफी अलग थीं। उदाहरण के लिए, मंगोलियाई लोगों में पीले जीभ कोटिंग के साथ गहरी जीभ होती है, जबकि हमोंग में सफेद जीभ कोटिंग के साथ हल्की जीभ होती है, यह सुझाव देते हुए कि जीभ की विशेषताओं का उपयोग आबादी की स्वास्थ्य स्थिति का आकलन करने के लिए नैदानिक संकेतक के रूप में किया जा सकता है। इसके अलावा, जीभ छवियां जातीय चिकित्सा के नैदानिक अनुसंधान में साक्ष्य-आधारित चिकित्सा के लिए मूल्यांकन सूचकांक के रूप में कार्य कर सकती हैं। उन्होंने टीसीएम निदान के लिए एक नींव के रूप में जीभ छवियों को नियोजित किया और चीनी और पश्चिमी चिकित्सा के साथ संयुक्त रूप से चाउ-लिंग-डैन छर्रों (सीएलडी ग्रैन्यूल्स- टीसीएम में मौसमी इन्फ्लूएंजा सहित सूजन और ज्वर संबंधी बीमारियों के इलाज के लिए उपयोग किया जाता है) की सुरक्षा और प्रभावकारिता का व्यवस्थित रूप से मूल्यांकन किया। परिणामों ने नैदानिक अध्ययनों के लिए एक मूल्यांकन सूचकांक के रूप में जीभ छवियों की वैज्ञानिक वैधता स्थापित की। फिर भी, पारंपरिक चिकित्सा चिकित्सक आम तौर पर जीभ की विशेषताओं का निरीक्षण करने और रोगियों की शारीरिक और रोग संबंधी स्थितियों का आकलन करने के लिए व्यक्तिपरकता पर भरोसा करते हैं, जिसके लिए अधिक सटीक संकेतकों की आवश्यकता होती है।
इंटरनेट और कृत्रिम बुद्धिमत्ता प्रौद्योगिकी के उद्भव ने जीभ निदान को डिजिटल और ऑब्जेक्टिफाइंग करने का मार्ग प्रशस्त किया है। इस प्रक्रिया मेंजीभ छवियों 7 का गुणात्मक और उद्देश्य विवरण प्रदान करने के लिए गणितीय मॉडल का उपयोग करना शामिल है, जो जीभ की छवि की सामग्री को दर्शाता है। प्रक्रिया में कई चरण शामिल हैं: छवि अधिग्रहण, ऑप्टिकल मुआवजा, रंग सुधार और ज्यामितीय परिवर्तन। पूर्व-संसाधित छवियों को तब छवि स्थिति और विभाजन, सुविधा निष्कर्षण, पैटर्न पहचान आदि के लिए एक एल्गोरिथम मॉडल में खिलाया जाता है। इस प्रक्रिया का आउटपुट जीभ छवि डेटा का एक अत्यधिक कुशल और सटीक निदान है, जिससेजीभ निदान के ऑब्जेक्टिफिकेशन, परिमाणीकरण और सूचनाकरण के लक्ष्य को प्राप्त किया जा सकता है। इस प्रकार, जीभ निदान डेटा की उच्च दक्षता और उच्च परिशुद्धता प्रसंस्करण का उद्देश्य प्राप्त किया जाता है। जीभ निदान ज्ञान और गहरी सीखने की तकनीक के आधार पर, इस अध्ययन ने स्वचालित रूप से एक कंप्यूटर एल्गोरिदम का उपयोग करके जीभ की छवियों से जीभ शरीर और जीभ कोटिंग को अलग कर दिया, ताकि डॉक्टरों के लिए जीभ की मात्रात्मक विशेषताओं को निकाला जा सके, निदान की विश्वसनीयता और स्थिरता में सुधार किया जा सके, और बाद में जीभ निदान ऑब्जेक्टिफिकेशनअनुसंधान के लिए तरीके प्रदान किए जा सकें।
Protocol
Representative Results
Discussion
ऊपर प्रस्तुत तुलना परिणामों के आधार पर, यह स्पष्ट है कि विचाराधीन चार एल्गोरिदम की विशेषताएं विविध हैं, और उनके अलग-अलग फायदे और नुकसान नीचे वर्णित हैं। यू-नेट संरचना, एक पूर्ण संक्रामक नेटवर्क के संशो?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
इस काम को चीन के राष्ट्रीय प्रकृति फाउंडेशन (अनुदान संख्या 82004504), चीन के विज्ञान और प्रौद्योगिकी मंत्रालय के राष्ट्रीय कुंजी अनुसंधान और विकास कार्यक्रम (अनुदान संख्या 2018 वाईएफसी 1707606), सिचुआन प्रांत के चीनी चिकित्सा प्रशासन (अनुदान संख्या 2021 एमएस 199) और चीन के राष्ट्रीय प्रकृति फाउंडेशन (अनुदान संख्या 82174236) द्वारा समर्थित किया गया था।
Materials
| CPU | Intel(R) Core(TM) i7-9700K | ||
| GPU | NVIDIA GeForce RTX 3070 Ti (8192MB) | ||
| Operating systems | Microsoft Windows 10 Professional Edition (64-bit) | ||
| Programming language | Python | ||
| RAM | 16G |
Riferimenti
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Yu, Y., et al. Semantic segmentation evaluation index and evaluation method. Computer Engineering and Application. , (2023).
- 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).
- 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).
- 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).
- 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).
- 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).
- Ghosh, S., Das, N., Nasipuri, M. Reshaping inputs for convolutional neural network: some common and uncommon methods. Pattern Recognition. 93, 79-94 (2019).
- 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).
- 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).
- 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).
- Li, Y. T., Luo, Y. S., Zhu, Z. M. Deep learning-based tongue feature analysis. Computer Science. 47 (11), 148-158 (2020).
- 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).
- 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).
- 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).
- 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).
- Ding, H. J., He, J. C. Study on modern techniques and methods of tongue diagnosis. Shi Zhen Chinese Medicine. 21 (5), 1230-1232 (2010).
- Zhai, P. B., et al. A multi-stage tongue image classification algorithm incorporating attention mechanism. Computer Engineering and Design. 42 (6), 1606-1613 (2021).
- Hou, Y. S. A new clustering analysis algorithm based on deep learning. Journal of Xinxiang University. 35 (12), 4 (2018).
- 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).
- 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).
- 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).
- 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).
- 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).
- Wu, X., et al. A review of research on deep learning in tongue image classification. Computer Science and Exploration. , 1-23 (2022).
