基于人工智能和可视化技术舌象脉象诊断器

基于人工智能和可视化技术舌象脉象诊断器

王紫琪

华北理工大学  063200

摘要

当下时代，是人工智能飞速发展的时代，医工融合成了时代发展的热点，人工智能在医学上的使用慢慢普及到了各大医院。而在中医方面，当下医院仍秉持传统，使用望、闻、问、切的传统方式进行对病人的诊治，经验不足的中医会对病人造成误诊，而通过人工智能的方式，对采集的脉象和舌象进行量化分析，辅助医生进行诊断，可以有效避免医生经验不足带来的误诊，因此人工智能在中医上的应用是当今时代下发展的必然趋势。本文重点研究脉象和舌象的采集和分析，主要研究工作如下：

一．人工智能在医学领域的发展

1.1医学影像

医学影像主要包括 X射线和 CT。医学影像作为医院的基础医疗设备，也是诊疗的基础。CT是医院临床应用最为广泛的影像设备，由于其拍摄分辨率高、检测范围广和非侵入性等特点，被广泛应用于各行业以及临床应用领域。我国医学影像产品主要分为全自动影像系统及人工辅助诊断系统等。其中全自动影像系统，即指可以自动完成检查影像中的诊断流程和定量描述成像图像中的关键信息。

1.2辅助诊断

辅助诊断是指借助人工智能技术，对病人进行辅助诊断。人工智能在医学影像领域的应用主要包括：影像分析；疾病分类；分型；辅助诊断（临床辅助用药);诊断依据——辅助医生进行诊断；辅助专家做出诊断建议。临床辅助诊断主要包括肿瘤、感染性疾病、心脏病和慢性疾病诊治等。这些类别具有诊断需要，专业医生对病情进行全面分析，尤其是对一些疑难病例，需要借助人工智能诊断来进行疾病诊治水平整体提高，诊断效率，降低诊断风险，从而提高疗效，缩短疗程。

二．脉象信息采集

3.1 取脉

仪器设计的目的就是要再现医师号脉时手指对脉的不同力度。通过设计对受检测者的脉施以合适的三种固定压强，模拟出中医切脉过程，并分别记录下此时的脉搏图像，得到在不同的取法压力下，所采到的压力脉图的波形高度，再现取脉过程的浮、中、沉取的操作。查阅资料可知，脉诊最适压力为:浮取10kPa；中取15kPa；沉取20kPa。通过脉波的主波高度变化与所加压力变化做出取法波高曲线，可以得出最适的取脉压力。而后通过判断在哪种压强下，脉图主波最高，可以得出脉位的“浮-沉”属性，同时还可以实现对脉数、脉形、脉势等属性的检测。

3.2 数据采集

脉搏信号获取部分是脉搏信号采集系统中很重要的一个环节，因为脉搏信号采集的好坏将直接影响到后续的数据处理部分的效果以及最终所得到的脉搏图的准确性，所以，脉搏传感器的选择对于整个系统的设计尤其重要。考虑到价格的因素和所需精度的要求，选用脉冲传感器为合肥华科电子的HK-2000B型压电脉冲传感器。它灵敏度高，抗干扰能力强，过载能力大，性能稳定可靠，安全可靠性高，使用寿命长。

3.3 数据传输

脉搏信号是典型的弱信号，主要根据法向力的变化情况来绘制其空间脉图，一般情况下，脉象仪的数据传输和处理单元主要是经放大滤波电路和A/D转换，将数字信号输入计算机进行分析存储。

三．舌象信息采集

4.1 舌象预处理

   4.1.1 舌象去反光

在采集舌图像的过程中，由于被采集者身体情况不一样，有些人唾液分泌较多，来自光源的入射光在舌面的唾液聚集部位形成镜面反射，导致采集到的舌象某些区域过亮，产生亮斑问题，亮斑会覆盖舌体表面，且亮斑的颜色与光源颜色一致，影响舌象自动诊断。所以，将舌象表面反光点去除十分重要。

首先舌象中的反光点进行检测，符合阈值要求的标记为反光点，然后降低反光点的亮度，通过固定的亮度经验阈值来检测反光，阈值需要通过反复实验来选取，具体步骤如下:

(1)设定经验阈值T；

(2)遍历图中的每个像素点P（r,g,b）;

(3)将r,g,b与阈值T作比较，若r,g,b中有一个比经验阈值T大，则将该点标记为反光点，并将该点坐标存入二维数组中；

(4)若r,g,b中有2个大于经验阈值T，则将该像素点及四个领域内的像素点标记为反光点，并将这些点的坐标存入到二维数组中；

(5)将标记为反光点的坐标从数组中取出，对其亮度重新赋值。

4.1.2 舌象滤波处理

舌象采集过程中难免会遇到各种噪音污染，噪音会导致舌象颜色数据丢失，影响系统定量分析及医生的主观判断。为提高舌象的质量，保证舌象诊断的准确度，对舌象滤波，既能保护舌象边缘又能减低噪音，同时还能保留图像细节。

在对舌象滤波之前，应对图像中的噪声点进行标记，根据像素点和其领域内其他像素点的相关性，若该像素点的值与其邻域内各点的值相差很大，则认为该点为降噪点，反之，该点为一有效的信号点。

【1】噪声点判断

对图像像素值进行遍历，找到灰度值的极值，记为Max()、Min(),其中，a和b表示图像大小，将窗口中心像素的灰度值表示为f(i,j)，窗口内所有像素值的集合：

,求出该点所有像素的平均值ave(),若中心像素点的阈值为，

(1)若f(i,j)=Max()，则将该像素点标记为噪音点；

(2)若f(i,j)=Min()，则将该像素点标记为噪音点；

(3)若|f(i,j)-ave()|>，则将该像素点标记为噪音点。

将噪声点标记为Z(i,j)=1,非噪声点标记为Z(i,j)=0。

【2】高斯滤波

高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

权重由二维离散高斯函数采样并归一化得：

并由该式得离散的高斯卷积核：

令该式中k=1,,得一三维高斯卷积核：

归一化得：

其中

使用高斯滤波可以有效滤除高斯噪音，降低舌象粗糙度，保证舌象质量。

4.2 舌象分割

图像分割方法大致可分为：

(1)阈值分割

将图像分割为前景和背景。指定的阈值将像素分为两个级别之一，以隔离对象。阈值化将灰度图像转换为二值图像或将彩色图像的较亮和较暗像素进行区分。如双峰法，迭代法，最大类间方差法等。

特点：计算简单、运算效率较高、速度快。

(2)区域分割

区域生长：基本思想是将具有相似性质的像素集合起来构成区域。选定种子像素，相似性准则是灰度级、彩色、纹理、梯度等特性，生长准则根据不同原则制定。

特点：优点是计算简单，对于较均匀的连通目标有较好的分割效果。缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。再把前景区域合并，实现目标提取。最常用的方法是四叉树分解法。

特点：对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。

4.2.2.1 基本思想

先确定图像中的边缘像素，然后把它们连接在一起构成所需要的边界。

(1)图像的边缘是指图像灰度发生空间突变的像素。

(2)图像边缘有两个特征方向和幅度，沿着边缘方向图像像素变化缓慢，沿着垂直于边缘的方向，图像像素变化剧烈。

(3)常用一阶和二阶导数来描述和检测边缘。

图像边缘的灰度值是不连续的，所以可以采用求导法对这些不连续灰度值进行检测。通过图像中每个像素的各个邻域内灰度值的变化，利用一阶导数或二阶导数的规律对边缘检测。把一阶导数信息称为梯度，对于一幅图像，令其灰度为f(x,y)，则一阶导数信息梯度可以表示为：

梯度的幅度大小：

常用的一阶微分算子有 Roberts 算子、Prewitt 算子、Sobel 算子和 Canny 算子，常用的二阶微分算子有Laplacian算子和 Log 算子。

算子模板如图：

             a). Roberts算子                  b). Prewitt 算子           

c). Sobel算子                     d). Laplacian算子

4.2.2.2  Sobel算子

Sobel算子是像素图像边缘检测中最重要的算子之一。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。该方法能通过增强图像的边缘效果来突出图像的轮廓特征。设输入的原始图像为 A，分别得到横向和纵向的梯度值，若梯度值大于我们所设置的经验阈值，则判定该点为边缘点，反复实验得到合适的阈值梯度公式分别表示为：

图像的每一像素点的灰度值为：

为提高效率可近似表示为：

若G大于所设阈值，则该点(x,y)为边缘点。

图像梯度的方向求解公式：

使用Sobel算子进行边缘检测只能检测出舌体部分边缘和部分非舌体范围，无法有效检测出舌体整个轮廓。

4.2.2.3  Prewitt算子

采用模板和Sobel算子相同，仅需把常量设置为1，

该算子进行边缘检测只能检测出舌体部分边缘和部分非舌体范围，无法有效检测出舌体整个轮廓。

4.3 舌象特征提取

4.3.1 颜色特征提取

       颜色是舌象最基本、最活跃的特征，也是舌象病理分类的主要依据，舌象以RGB形式的文件保存，RGB空间是与设备有关的加色空间，主要用于彩色监视器、扫描仪等设备由于人眼不能直接感知红绿蓝三色的比例，对某一个色调(如淡白色)就没有唯一的R、G、B三基色的数值与之对应，直接在RGB空间分割物体往往不符合人眼视觉。而HIS空间能体现出人眼辨别颜色的特点，如人们会说一种颜色较暗、或较红等。它定义了三个互不相关，容易预测的颜色属性，色调(H)、亮度(I)和饱和度(S)，，色调H由角度表示，其取值范围是 ，其中表示红色，黄色，绿色，蓝色，品红色。饱和度S是HIS彩色空间中轴线到彩色点的半径长度，彩色点离轴线的距离越近，颜色的白光越多。强度I用轴线方向上的高度表示，圆锥体的轴线描述了灰度级，强度最小值时为黑色，强度最大值时为白色。每个和轴线正交的切面上的点，其强度值都是相等的。

由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度，为了便于颜色处理和识别，经常采用HIS颜色空间，它比RGB颜色空间更符合人的视觉特性。 由RGB到HIS的转换公式：

       4.3.2 纹理特征提取

图像的纹理就是物体表面灰度变化内容的特征。纹理特征一般包括粗糙程度、 对比度和方向性三个方面，反映图像表面的基本特征，是一种重要而又难于描述的特征，对于图像纹理还没有明确定义。             

图像的Fourier变换的能量谱能在一定程度上反映某些纹理特征，图像{f(x,y)}的Fourier变换定义为：

       其功率谱定义为：

       其中*表示复共轭。

            若一幅图像的纹理比较粗糙，即图像灰度变化很少，则在小的值处应有较大的值，所以，可以通过随的变化情况来检测纹理的粗糙、细腻性质。将用极坐标表示为，为。在这里我们使用综合性度量来检测纹理粗糙性：

       对于离散情况可用求和代替积分，对在以原点为圆心的一个环面上求和，即

     峰的位置反映了纹理构成元素或纹理基元的大小，设为的峰点，越小，说明纹理基元越大，纹理越粗糙，越大，说明纹理基元越小，纹理越细腻。若没有明显的峰或峰的数目很多，说明图像中纹理杂乱无章，存在有多种尺度上的纹理或空间相关性。此特征可用来识别舌面裂纹， 区分裂纹、 老嫩、 光滑舌。