計算機輔助舌象分析診斷研究進展*

唐智賢 李 萍 曾雅楠 張一樂 鄭宇翔

(上海健康醫學院醫學影像學院 上海201318) (上海健康醫學院醫療器械學院 上海201318)

李恒峰 魏千翔

(上海艾亙醫療科技有限公司 上海200135) (上海健康醫學院醫療器械學院 上海201318)

肖正光

(上海交通大學醫學院附屬同仁醫院 上海200050)

1 引言

中醫四診“望、聞、問、切”是中醫學辨證論治的精髓，其中望診居“四診”之首[1]。舌診是望診的重要組成部分，醫生通過觀察舌頭的色澤、形態的變化來輔助診斷及鑒別機體生理功能和病理變化。然而傳統的舌診是由人眼觀察，很難對舌頭圖像進行定量存儲和處理，影響舌診的標準化、客觀化和定量化。計算機輔助舌象分析診斷技術應運而生。一般的計算機輔助舌象分析診斷流程，見圖1。本文通過搜集整理近年的相關文獻，從上述流程對舌圖像處理技術研究進行綜述。

圖1 計算機輔助舌象分析診斷流程

2 舌圖像采集

舌圖像采集是計算機輔助舌象分析診斷中最基礎的步驟。近年來多種舌圖像數據采集系統相繼出現，國內有學者[2]選擇索尼900E攝像機，配合使用色溫為4800k的鹵鎢燈光源建立計算機輔助舌診系統。日本學者[3]使用高光譜照相機和色溫為5500k的氙燈光源實現舌圖像的采集。上海道生、普瑞森、欣曼等公司也研發出相應的舌象數據采集系統。不難發現，目前主流的舌診儀核心部件為數字相機，并且舌象采集裝置的整體外觀也在向小型化、便攜化的方向發展。然而舌圖像采集系統的設計尚不存在通用標準，不同的采集系統，光源色溫不一，成像相機型號多變，成像環境各異，這些因素都對采集到的舌圖像產生不可估量的影響。

3 舌圖像預處理

在計算機分析之前，往往需要對舌圖像進行預處理，尤其是顏色校正，以還原舌頭的真實顏色。最常見的校正方法是使用標準色卡作為參照[4]，其他還有查表法、多項式回歸法、支持向量機、神經網絡等形式[5]。目前舌圖像顏色校正算法能力有限，在不同顏色空間，采用不同的標準色板，使用不同的顏色校正算法將會產生很大差別。

4 舌象定位與分割

4.1 閾值法

閾值法主要利用舌象與背景顏色的差異，通過設置閾值對圖像的像素點進行分類。其優點是算法實現簡單、效率高，但是對圖像的要求較高，魯棒性較差。如項里偉[6]將舌象變換到醫院信息系統空間中，運用灰度投影法定位舌體。余兆釵、張祖昌和李佐勇等[7]在RGB色彩空間中的紅色通道執行閾值分割，得到舌體分割結果。姜朔、胡潔和夏春明等[8]在RGB、HSV色彩空間中，運用 OTSU閾值法對舌像進行二值化，結合形態學運算得到舌像分割結果。

4.2 可變形模型

自Kass M、Witkin A和 Terzopoulos D[9]提出活動輪廓模型以來，各種基于可變形模型的圖像分割算法迅速發展起來并已應用在舌體分割中。該類方法的優點是分割精度較高、魯棒性較好，但是計算時間長，且依賴初始曲線的精度。如劉晨星、張海英和楊浩[10]首先引入Perona-Malik方法處理原始圖像的邊緣信息，隨后使用Snake模型實現舌體分割。有學者[11]將舌頭形狀及其在舌頭圖像中的位置先驗知識加入主動輪廓模型的能量函數之中。毛紅朝[12]利用主動形狀模型的特征點定位方法實現舌體定位。

4.3 圖結構模型

基于圖結構模型的算法是一種快速的分割算法。該類算法在分割的速度上十分迅速，缺點是需要人工介入。如許志磊、邵一波和姚拓中[13]利用 GrabCut算法得到準確完整的舌體圖像。陳善超、符紅光和王穎[14]提出一種圖論分割結合多分辨率分割的舌圖像分割算法。

4.4 機器學習

在舌圖像定位與分割方面，機器學習方法應用較為廣泛。目前基于機器學習的分割算法大致可分為兩大類，即傳統機器學習方法和深度學習方法。傳統的機器學習方法分割速度快、精度高，但人工設計特征較困難，且算法需要大量帶標簽的數據。如Liu W、Zhou C和Li Z等[15]提出一種基于稀疏表示的塊驅動分割方法預測舌區域。Li X、Li J和 Wang D[16]提出一種特殊的級聯分類器用于舌象定位。韓立博、胡廣芹和張新峰等[17]利用K-means聚類方法對舌圖像進行分割。而深度學習可以自動學習圖像的特征，且具有并行性、自適應性、抗噪性等特點。如 Tang W、Gao Y和 Liu L等[18]使用卷積神經網絡(Convolutional Neural Network，CNN)進行舌區檢測。王麗冉、湯一平和陳朋等[19]提出粗分割結合精分割的兩階段CNN用于舌體分割。Cai Y、Wang T和 Liu W等[20]嘗試用一種包含類間和類內代價的損失函數來提高CNN的分割性能。Li L、Luo Z 和Zhang M等[21]采用U-net作為網絡主干，實現舌體分割。顏建軍、徐姿和郭睿等[22]使用Mask R-CNN進行舌圖像分割。Tang Q、Yang T和Yoshimura Y等[23]使用一級探測器SSD和MobileNetV2檢測舌頭區域。

5 舌象分析

5.1 舌色分類

色診是舌診的核心內容。在舌診顏色分類問題中，比較成熟的算法是基于色度學的圖像分類。有學者[24]選擇RGB顏色模型對舌色進行分類，也有學者采用CIELAB顏色模型[25]。近幾年，基于機器學習的舌色分類算法逐漸被提出，Qu P、Zhang H和 Zhuo L等[26]使用稀疏表示的分類器自動分析舌質顏色和舌苔顏色。Hou J、Su H Y和Yan B等[27]使用CNN對舌頭顏色進行分類。邵尤偉[28]使用深度殘差網絡對舌色和苔色進行分類。

5.2 舌形態特征分析

舌形、舌態、舌神可從側面反映機體的病理變化。對于舌形態的分析，陸萍[29]使用支持向量機辨別齒痕以及診斷裂紋。宋超、王斌和許家佗[30]提出一種深度遷移學習方法，對齒痕、裂紋、厚薄舌苔進行分類，平均準確度高達94.88%。龔一萍、陳海燕和卜佳俊等[31]依據齒痕幅度的大小定量齒痕的程度，用TAMURA紋理法來測定老嫩舌。

5.3 舌象與疾病之間的關聯性分析

從量化角度探討中醫舌診與臨床疾病之間的關聯，是當下計算機輔助舌象分析診斷的研究熱點。許多科研機構致力于構建舌診與證候、疾病、客觀指標之間的內在聯系，以指導疾病的診斷。邱童[32]基于 Faster-RCNN 和多特征融合方法，預估患者是否處在健康狀態。Shamim M、Syed S和Shiblee M等[33]采用VGG19分析舌體，推測機體是否出現病變。劉召婕[34]使用支持向量機，基于舌象對糖尿病、肺癌等疾病進行預測。

6 結語

近年來計算機輔助舌象分析診斷取得大量研究成果，尤其是以深度學習為代表的智能診斷方法得到快速發展，但這些研究工作還需要進一步完善。第一，舌圖像數據收集沒有統一標準，且帶標簽的舌圖像較少，如何采集可靠的樣本、設計標準的采集設備等仍是亟待解決的問題；第二，舌圖像所包含的信息豐富，已有的舌象分析大多還是聚焦于舌質和舌苔的顏色分析，關于舌形、舌態、苔質、舌神等方面的特征分析研究較少；第三，單純利用舌象來辨識具體疾病依然有其局限性。今后有關研究方向應側重于以下幾個方面：第一，建立大樣本病證結合的舌象數據庫；第二，利用深度學習方法，深入挖掘舌象高階特征，進一步提升計算機輔助舌象分析診斷系統的性能；第三，將舌象量化信息與脈象等其他信息相聯系，聯合挖掘舌象數據與疾病診斷、治療的特定關系，以此作為支撐中醫臨床辨證和療效評價的依據。上述研究的深入開展將有力促進中醫四診客觀化的進程，有望獲得新突破。