Den aktuella studien använde U-Net och andra djupinlärningsalgoritmer för att segmentera en tungbild och jämförde segmenteringsresultaten för att undersöka objektifieringen av tungdiagnos.
Tungdiagnos är en viktig teknik för traditionell kinesisk medicin (TCM) diagnos, och behovet av objektifierande tungbilder genom bildbehandlingsteknik växer. Den aktuella studien ger en översikt över de framsteg som gjorts inom tungobjektifiering under det senaste decenniet och jämför segmenteringsmodeller. Olika djupinlärningsmodeller är konstruerade för att verifiera och jämföra algoritmer med hjälp av verkliga tungbilduppsättningar. Styrkor och svagheter i varje modell analyseras. Resultaten indikerar att U-Net-algoritmen överträffar andra modeller avseende precisionsnoggrannhet (PA), återkallande och genomsnittlig skärning över union (MIoU) mätvärden. Trots de betydande framstegen inom insamling och bearbetning av tungbilder har en enhetlig standard för objektifierande tungdiagnos ännu inte fastställts. För att underlätta en utbredd tillämpning av tungbilder som tagits med mobila enheter vid objektifiering av tungdiagnos kan ytterligare forskning ta itu med de utmaningar som tungbilder som tagits i komplexa miljöer.
Tungobservation är en allmänt använd teknik i traditionell kinesisk etnisk medicin (TCM). Tungans färg och form kan återspegla det fysiska tillståndet och olika sjukdomsegenskaper, svårighetsgrader och prognoser. Till exempel, i traditionell Hmong-medicin, används tungans färg för att identifiera kroppstemperatur, t.ex. en röd eller lila tunga indikerar patologiska faktorer relaterade till värme. I tibetansk medicin bedöms ett tillstånd genom att observera patientens tunga, uppmärksamma slemens färg, form och fukt. Till exempel blir tungorna hos patienter med Heyis sjukdom röda och grova eller svarta och torra1; patienter med Xieri sjukdom2 har gula och torra tungor; under tiden har patienter med Badakan sjukdom3 en vit, fuktig och mjuk tunga4. Dessa observationer avslöjar det nära sambandet mellan tungans egenskaper och fysiologi och patologi. Sammantaget spelar tungans tillstånd en viktig roll vid diagnos, sjukdomsidentifiering och utvärdering av behandlingseffekten.
Samtidigt, på grund av olika levnadsförhållanden och kostvanor bland olika etniska grupper, är variationer i tungobilder uppenbara. Lab-modellen, etablerad på grundval av en internationell standard för bestämning av färg, formulerades av Commission International Eclairage (CIE) 1931. 1976 modifierades och namngavs ett färgmönster. Lab-färgmodellen består av tre element: L motsvarar ljusstyrka, medan a och b är två färgkanaler. a innehåller färger från mörkgrön (lågt ljusstyrkevärde) till grått (medelhögt ljusstyrkevärde) till ljusrosa (högt ljusstyrkevärde); B går från ljusblått (lågt ljusstyrkevärde) till grått (medelhögt ljusvärde) till gult (högt ljusvärde). Genom att jämföra L x a x b-värdena för tungfärgen hos fem etniska grupper fann Yang et al.5 att egenskaperna hos tungbilder av Hmong-, Hui-, Zhuang-, Han- och mongoliska grupper skilde sig signifikant från varandra. Till exempel har mongolerna mörka tungor med en gul tungbeläggning, medan Hmong har ljusa tungor med en vit tungbeläggning, vilket tyder på att tungfunktioner kan användas som en diagnostisk indikator för att bedöma hälsotillståndet hos en befolkning. Dessutom kan tungbilder fungera som ett utvärderingsindex för evidensbaserad medicin i klinisk forskning om etnisk medicin. He et al.6 använde tungbilder som grund för TCM-diagnos och utvärderade systematiskt säkerheten och effekten av Chou-Ling-Dan-pellets (CLD-granulat som används för att behandla inflammatoriska och febersjukdomar, inklusive säsongsinfluensa i TCM) i kombination med kinesisk och västerländsk medicin. Resultaten fastställde den vetenskapliga validiteten av tungbilder som ett utvärderingsindex för kliniska studier. Ändå förlitar sig traditionella läkare i allmänhet på subjektivitet för att observera tungans egenskaper och bedöma patienternas fysiologiska och patologiska tillstånd, vilket kräver mer exakta indikatorer.
Framväxten av internet och artificiell intelligensteknik har banat väg för digitalisering och objektifiering av tungdiagnos. Denna process innebär att man använder matematiska modeller för att ge en kvalitativ och objektiv beskrivning av tungbilder7, vilket återspeglar innehållet i tungbilden. Processen omfattar flera steg: bildförvärv, optisk kompensation, färgkorrigering och geometrisk transformation. De förbehandlade bilderna matas sedan in i en algoritmisk modell för bildpositionering och segmentering, extrahering av funktioner, mönsterigenkänning etc. Resultatet av denna process är en mycket effektiv och exakt diagnos av tungbildsdata, vilket uppnår målet om objektifiering, kvantifiering och informatisering av tungdiagnos8. Således uppnås syftet med hög effektivitet och hög precision bearbetning av tungdiagnosdata. Baserat på tungdiagnoskunskap och djupinlärningsteknik separerade denna studie automatiskt tungkroppen och tungbeläggningen från tungbilder med hjälp av en datoralgoritm för att extrahera de kvantitativa egenskaperna hos tungor för läkare, förbättra diagnosens tillförlitlighet och konsistens och tillhandahålla metoder för efterföljande tungdiagnosobjektifieringsforskning9.
Baserat på de jämförelseresultat som presenteras ovan är det uppenbart att egenskaperna hos de fyra algoritmerna som övervägs varierar, och deras distinkta fördelar och nackdelar beskrivs nedan. U-Net-strukturen, baserad på modifiering och expansion av ett fullständigt faltningsnätverk, kan få kontextuell information och exakt positionering genom en kontrakteringsväg och en symmetrisk expanderande väg. Genom att klassificera varje pixelpunkt uppnår den här algoritmen en högre segmenteringsnoggrannhet och …
The authors have nothing to disclose.
Detta arbete stöddes av National Nature Foundation of China (bidragsnummer 82004504), National Key Research and Development Program of the Ministry of Science and Technology of China (grant no.2018YFC1707606), Chinese Medicine Administration of Sichuan Province (grant no.2021MS199) och National Nature Foundation of China (grant no.82174236).
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 |