[发明专利]一种基于深度学习模型确定舌象样本库的方法和系统

说明书

本发明提供一种基于深度学习模型确定舌象样本库的方法和系统。所述方法和系统对于舌象样本集中的全部舌样本图像的每个舌象特征进行标注，并在标注后都建立深度学习模型，通过训练和测试来确定舌象特征标注的准确度，当准确度未达到设置的准确度时，对舌象样本集中的该舌象特征在原来标注的基础上进行再次修订，并重新通过深度学习模型来确定标注准确度，通过对每个舌象特征进行多轮标注，多轮深度学习模型检测标注精确度的方式来完成对所有舌象特征标注准确度的确定，从而确定中医舌诊的舌象样本库。所述方法和系统通过对舌象特征进行多轮标注和多次深度学习模型训练检测其准确度，大大提高了舌象标注的准确度。

技术领域

本发明涉及医学图像标定领域,并且更具体地，涉及一种基于深度学习模型确定舌象样本库的方法和系统。

背景技术

目前对于医学图像的标定技术并不是非常成熟，在中医舌象图像标定上更是如此。由于舌像颜色的相似性、舌形的复杂性以及每种舌象特征并不相同，因此很多标定方法在中医舌象的标定上并不能直接使用，并且算法对标注的准确性要求也很高。

对于目前其他领域的图像标注技术，主要是通过传统计算机视觉方面的算法进行自动标注，比如图像特征提取算法，通过提取图像的特征定位出图像中关键位置进行标注。但是传统计算机视觉的算法不能保证标注的稳定性，如果是待标注图像的关键点数量比较多，或者图像的特征不够明显的情况，通过算法进行图像标注的效率明显降低，且难以保证标注的准确性。

因此，需要一种技术，提高舌象样本集中舌样本图像的舌象特征标注的准确度，从而为中医舌诊提供一个样本充分，标注准确的舌象样本库。

发明内容

为了解决现有技术中舌象样本库中样本的舌象特征标注准确度低的技术问题，本发明提供一种基于深度学习模型确定舌象样本库的方法，所述方法包括：

步骤1、将舌象样本集中第i次标注的全部舌样本图像划分为训练集和测试集，并将第j个舌象特征转换成深度学习模型可识别的数据，其中，1≤i≤m，1≤j≤n，i、j的起始值为1，m、n均为自然数；

步骤2、进行深度学习模型的网络参数配置和求解参数配置；

步骤3、通过运行编写的模型训练脚本文件确定深度学习模型的准确率，当所述准确率低于设置的阈值时，令i＝i+1,转至步骤1，当所述准确率大于等于设置的阈值，且jn时，令i＝1,j＝j+1，转至步骤1，当所述精确度大于等于设置的阈值，且j＝n时，所述包括n个舌象特征标注结果的舌象样本集即为中医舌诊中的舌象样本库。

进一步地，所述方法在将舌象样本集中第i次标注的全部舌样本图像的第j个舌象特征转换成深度学习模型可识别的数据之前还包括：

采集若干舌样本图像，并筛除不符合标注需求的图像后生成舌象样本集，其中所述不符合标注需求的图像包括图像颜色偏差大于设定值，图像模糊、舌上有异物和舌头显示不全；

采用符合标注需求的显示装置呈现舌样本图像，并对所述图像的第j个舌象特征进行第i次标注，其中，所述符合标注需求的显示装置是指分辨率达到设置值的显示装置。

进一步地，所述舌象样本集中第i次标注的全部舌样本图像的第j个舌象特征均是在对舌象样本集中全部舌样本图像的第j个舌象特征进行第i-1次标注的基础上进行再次修正而形成的，其中，2≤i≤m，1≤j≤n，m、n均为自然数。

进一步地，所述将舌象样本集中第i次标注的全部舌样本图像划分为训练集和测试集，并将第j个舌象特征转换成深度学习模型可识别的数据包括：

将舌象样本集中的全部舌样本图像进行划分，其中一部分归属于训练集，剩下的部分归属于测试集；

将舌象样本集中第i次标注的全部舌样本图像的第j个舌象特征按照其特征的种类数量，为每一个种类分别设置一个标签，并以舌样本图像的名称为样本名称，以设置的标签为图像特征的方式分别制作训练集和测试集的文本文件；