基于深度学习的高血压病肝火亢盛证面部色诊研究
发布时间：2020-12-23 12:03
研究目的对中医学“色”的概念和内涵进行澄清、整理;对现代学者关于“色”的客观化研究进行检索、梳理,以发现代学者对中医学“色”的研究现状与不足;利用“MTCNN人脸检测算法”对高血压病肝火亢盛证色部进行位置界定,利用“计算机视觉领域中深度学习-轻量化网络Xception”算法构建高血压病肝火亢盛证面部色诊的分类模型。研究方法1.中医学“色”的理论研究对中医“色”进行文字学和文献学的研究。首先,对色进行文字学意义的解读,其次,对《黄帝内经》中有关“色”的内容进行检索、选取、摘录,结合上下文对其内涵进行分析;再次,对后世医家对“色”的阐述进行对比分析研究;然后,对“色”的内涵进行澄清、整理;最后,以“色诊客观化”“望诊客观化”“色部”为关键词对知网、万方、维普数据库进行模糊检索,检索近十年的文献,筛选出与颜面部望诊客观化相关的文献,并进行整理、分类。2.建立数据库通过“舌面脉信息采集体质辨识系统”采集高血压病肝火亢盛证、高血压病非肝火亢盛证、正常人三组研究对象的面部图像,并对图像进行数据清洗和预处理,建立面部图像数据库。3.基于“MTCNN人脸检测算法”高血压病肝火亢盛证进行色部界定对采集的...
【文章来源】：中国中医科学院北京市
【文章页数】：96 页
【学位级别】：博士
【部分图文】：
图１人脸检测方法??３．２．２?ＭＴＣＮＮ的网络结构??ＭＴＣＮＮ目
ｕ?ｔ?ｓ?４ｖ４ｖ４ｖ?＾ｖｆＵＰＫ?ｌａｎｄｍａｒｌｓ?，??｜?１２ｘ１?ｌｘ？?＾?ｌｏｃａｌｉｚａｉｉｏｎ?｜?｜２４ｘ２４ｘ３?｜｜｜ｏｃａｌｉ２ａ（）〇ｏ??????Ｃ＇ｔｍｖ?３＼３?Ｃｏｎｖ．?３ｘ３?Ｃｏｎｖ?３ｘ３?Ｃｏｍ?２ｘ２?ｉｕｌｌｙ?ｎ??ＭＰ?—Ｋｊ?ＭＰ?３＼ｉ?Ｍｌ＊?１＼２?ｃｏｍｗｘｔ?ｆｙｉａｗｃ丨糾ｆｉｃａｕｏｎ??？?：?Ｑ?３?〇?［ｊ?ｊ?［ｊｂｏｕｎｄｉｎｇ?ｒｅｇｒｅｓｓｉｏｎ??１?ＪＳｉ上士，，??图２?ＭＴＣＮＮ的网络结构??３Ｊ计算机视觉领域中深度学习－轻量化网络Ｘｃｅｐｔｉｏｎ??３．３．１人工智能深度学习概述??人工智能目前是各个国家重点关注的应用领域和学术研究炙手可热的领域，??目前人工智能在多个领域呈爆发性发展。深度学习Ｉ１％１％是试图模拟人的大脑结??构，以及处理视觉、听觉的模式，设计具有多个隐藏层的前馈神经网络，模拟人??脑的神经分析网络，来解释数据的一种机器学习技术。至今已有数种深度学习框??架，如卷积神经网络、深度置信网络和递归神经网络已被应用在计算机视觉、语??音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。??随着深度学习技术的发展，深度神经网络在多个领域都成绩突出。深度神??经网络具有很强的特征学习能力和非线性拟合能力，同时，由于数据量的增加??和运算能力的提升，其在图像分类问题上取得了突破性的成果ｍ５－１％，传统的图??像分类方法采用人工设计的特征，如共生矩阵（ＧＬＣＭ）、Ｇａｂｏｒ过滤器及局部二??值模式（ＬＢＰ）等Ｉ１—，具有计算复杂、低效，分类精度往往不高的缺点，深度神经??网络
递至池化层进行特征选择和信息过滤。其一般形式［ＩＩ５］表示为：??１??／?／?ｙ??（＜．／）?＝?Ｙ＾ＨＡｌｉ＜（ｓ〇ｉ＋ｘ，ｓ〇＾??ｘ＝＼?ｙ＝ｌ??一般使用的池化层有均值池化（ｍｅａｎ?ｐｏｏｌｉｎｇ）和最大值池化（ｍａｘ?ｐｏｏｌｉｎｇ），??均值池化具有能保留整体数据的特征，并凸出背景的信息的特性，而最大值池化??不光可以保留纹理上的特征，而且可以保留更多的细节特征，最大池化层意味着??检测到某个特征，并始终将这个特征留在池化层的输出中。最大值池化计算操作??如图３所示。??２?４?３?５??４?５?７?６?２＊２的池化?５?７??１Ｃ?＇ｈ２??１?７?２?２?９?９??９?４?６?９??图３最大值池化计算过程??３．３．２．３全连接层??全连接层（ｆｕｌｌｙ?ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒｓ，?ＦＣ）也是一种卷积层，它的主要功能是把??输入为高维的特征图转化成一维的向量，在卷积神经网络中起到“分类器”的作??用。由于经过多层卷积、池化、激活函数等操作，现己提取训练数据的局部深度??特征被映射到隐藏的特征空间，而全连接层的作用正是将这些抽象的特征空间映??射到样本标记空间。??但是全连接层参数量过大，可占整个网络参数８０％左右，参数过于冗余，现??阶段一些网络模型如ＧｏｏｇＬｅＮｅｔ等均米用全局平均池化（ｇｌｏｂａｌ?ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ，??ＧＡＰ）取代ＦＣ来融合学到的深度特征，并且用全局平均池化替代全连接层的网??４０??
【参考文献】：
期刊论文
[1]人工智能在医学影像诊断中的应用研究[J]. 李顶,汪艳芳,李永欣,黄文华. 中国临床解剖学杂志. 2020(01)
[2]基于深度学习的乳腺病理图像分类实验方法[J]. 詹翔,张婷,林聪,冯玮延,赵杏. 计算机应用. 2019(S2)
[3]人工智能在医学影像分析中的应用进展[J]. 俞益洲,石德君,马杰超,周振. 中国医学影像技术. 2019(12)
[4]人工智能技术在临床医疗诊断中的应用及发展[J]. 赵佩. 中国新通信. 2019(22)
[5]基于MTCNN的坐姿行为识别[J]. 刘敏,潘炼,曾新华,朱泽德. 计算机工程与设计. 2019(11)
[6]基于整张手腕部DR影像深度学习特征的人工智能骨龄评估方法[J]. 李婷婷,杨秀军,王乾,任旭华,兰钧,于广军,李嫔,李莉红,文颖,陈旭. 中国数字医学. 2019(11)
[7]人工智能深度学习对前列腺多序列MR图像分类的可行性研究[J]. 方俊华,Li Qiubai,余成新,王兴刚,方志华,刘涛,王良. 中华放射学杂志. 2019 (10)
[8]人工智能下的医学的发展应用[J]. 俞碧莹. 中国多媒体与网络教学学报(上旬刊). 2019(10)
[9]人工智能与医学影像融合发展:机遇与挑战[J]. 朱文珍,胡琼洁. 放射学实践. 2019(09)
[10]基于卷积神经网络的基底细胞癌和色素痣的临床图像鉴别[J]. 谢斌,何小宇,黄伟红,沈敏学,李芳芳,赵爽. 中南大学学报(医学版). 2019(09)
博士论文
[1]基于XGboost算法的高血压病肝火亢盛证诊断预测模型研究[D]. 陈仁波.中国中医科学院 2018
[2]正常高值血压肝火亢盛证宏观量化诊断标准的建立及代谢机制研究[D]. 王宇.山东中医药大学 2017
[3]数字化面色望诊系统的构建及其应用[D]. 彭瑜.湖北中医药大学 2014
[4]原发性高血压病中医舌象与证候的相关性研究[D]. 王静.广州中医药大学 2012
[5]高血压病肝火上炎证诊断规范化研究[D]. 赵浩.山东中医药大学 2011
硕士论文
[1]基于深度学习的新生儿疼痛表情识别[D]. 朱金朵.南京邮电大学 2018
[2]基于子午流注理论的EH中医证候特点及其与动态血压的相关性研究[D]. 赵玉枝.北京中医药大学 2018
[3]原发性高血压患者心脏收缩功能及中医辨证分型与心冲击图关系的探讨[D]. 郭艳琼.北京中医药大学 2018
[4]基于深度学习的视网膜病变光学相干断层图像识别[D]. 吴新.广东工业大学 2018
[5]基于深度学习的小样本图像分类研究[D]. 徐希岩.东北林业大学 2018
[6]基于肤色检测的中医面色识别[D]. 陈梦竹.北京交通大学 2018
[7]肝火亢盛证自发性高血压大鼠的认知功能研究[D]. 王田.北京中医药大学 2017
[8]原发性高血压左室构型与中医辨证分型的关系研究[D]. 武艺.山东中医药大学 2016
[9]老年高血压中医证型特点的研究[D]. 钟彬旭.福建中医药大学 2016
[10]心电图PTFV1值与高血压中医分型相关性研究[D]. 刘媛媛.山东中医药大学 2016
本文编号：2933686
【文章来源】：中国中医科学院北京市
【文章页数】：96 页
【学位级别】：博士
【部分图文】：
图１人脸检测方法??３．２．２?ＭＴＣＮＮ的网络结构??ＭＴＣＮＮ目
ｕ?ｔ?ｓ?４ｖ４ｖ４ｖ?＾ｖｆＵＰＫ?ｌａｎｄｍａｒｌｓ?，??｜?１２ｘ１?ｌｘ？?＾?ｌｏｃａｌｉｚａｉｉｏｎ?｜?｜２４ｘ２４ｘ３?｜｜｜ｏｃａｌｉ２ａ（）〇ｏ??????Ｃ＇ｔｍｖ?３＼３?Ｃｏｎｖ．?３ｘ３?Ｃｏｎｖ?３ｘ３?Ｃｏｍ?２ｘ２?ｉｕｌｌｙ?ｎ??ＭＰ?—Ｋｊ?ＭＰ?３＼ｉ?Ｍｌ＊?１＼２?ｃｏｍｗｘｔ?ｆｙｉａｗｃ丨糾ｆｉｃａｕｏｎ??？?：?Ｑ?３?〇?［ｊ?ｊ?［ｊｂｏｕｎｄｉｎｇ?ｒｅｇｒｅｓｓｉｏｎ??１?ＪＳｉ上士，，??图２?ＭＴＣＮＮ的网络结构??３Ｊ计算机视觉领域中深度学习－轻量化网络Ｘｃｅｐｔｉｏｎ??３．３．１人工智能深度学习概述??人工智能目前是各个国家重点关注的应用领域和学术研究炙手可热的领域，??目前人工智能在多个领域呈爆发性发展。深度学习Ｉ１％１％是试图模拟人的大脑结??构，以及处理视觉、听觉的模式，设计具有多个隐藏层的前馈神经网络，模拟人??脑的神经分析网络，来解释数据的一种机器学习技术。至今已有数种深度学习框??架，如卷积神经网络、深度置信网络和递归神经网络已被应用在计算机视觉、语??音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。??随着深度学习技术的发展，深度神经网络在多个领域都成绩突出。深度神??经网络具有很强的特征学习能力和非线性拟合能力，同时，由于数据量的增加??和运算能力的提升，其在图像分类问题上取得了突破性的成果ｍ５－１％，传统的图??像分类方法采用人工设计的特征，如共生矩阵（ＧＬＣＭ）、Ｇａｂｏｒ过滤器及局部二??值模式（ＬＢＰ）等Ｉ１—，具有计算复杂、低效，分类精度往往不高的缺点，深度神经??网络
递至池化层进行特征选择和信息过滤。其一般形式［ＩＩ５］表示为：??１??／?／?ｙ??（＜．／）?＝?Ｙ＾ＨＡｌｉ＜（ｓ〇ｉ＋ｘ，ｓ〇＾??ｘ＝＼?ｙ＝ｌ??一般使用的池化层有均值池化（ｍｅａｎ?ｐｏｏｌｉｎｇ）和最大值池化（ｍａｘ?ｐｏｏｌｉｎｇ），??均值池化具有能保留整体数据的特征，并凸出背景的信息的特性，而最大值池化??不光可以保留纹理上的特征，而且可以保留更多的细节特征，最大池化层意味着??检测到某个特征，并始终将这个特征留在池化层的输出中。最大值池化计算操作??如图３所示。??２?４?３?５??４?５?７?６?２＊２的池化?５?７??１Ｃ?＇ｈ２??１?７?２?２?９?９??９?４?６?９??图３最大值池化计算过程??３．３．２．３全连接层??全连接层（ｆｕｌｌｙ?ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒｓ，?ＦＣ）也是一种卷积层，它的主要功能是把??输入为高维的特征图转化成一维的向量，在卷积神经网络中起到“分类器”的作??用。由于经过多层卷积、池化、激活函数等操作，现己提取训练数据的局部深度??特征被映射到隐藏的特征空间，而全连接层的作用正是将这些抽象的特征空间映??射到样本标记空间。??但是全连接层参数量过大，可占整个网络参数８０％左右，参数过于冗余，现??阶段一些网络模型如ＧｏｏｇＬｅＮｅｔ等均米用全局平均池化（ｇｌｏｂａｌ?ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ，??ＧＡＰ）取代ＦＣ来融合学到的深度特征，并且用全局平均池化替代全连接层的网??４０??
【参考文献】：
期刊论文
[1]人工智能在医学影像诊断中的应用研究[J]. 李顶,汪艳芳,李永欣,黄文华. 中国临床解剖学杂志. 2020(01)
[2]基于深度学习的乳腺病理图像分类实验方法[J]. 詹翔,张婷,林聪,冯玮延,赵杏. 计算机应用. 2019(S2)
[3]人工智能在医学影像分析中的应用进展[J]. 俞益洲,石德君,马杰超,周振. 中国医学影像技术. 2019(12)
[4]人工智能技术在临床医疗诊断中的应用及发展[J]. 赵佩. 中国新通信. 2019(22)
[5]基于MTCNN的坐姿行为识别[J]. 刘敏,潘炼,曾新华,朱泽德. 计算机工程与设计. 2019(11)
[6]基于整张手腕部DR影像深度学习特征的人工智能骨龄评估方法[J]. 李婷婷,杨秀军,王乾,任旭华,兰钧,于广军,李嫔,李莉红,文颖,陈旭. 中国数字医学. 2019(11)
[7]人工智能深度学习对前列腺多序列MR图像分类的可行性研究[J]. 方俊华,Li Qiubai,余成新,王兴刚,方志华,刘涛,王良. 中华放射学杂志. 2019 (10)
[8]人工智能下的医学的发展应用[J]. 俞碧莹. 中国多媒体与网络教学学报(上旬刊). 2019(10)
[9]人工智能与医学影像融合发展:机遇与挑战[J]. 朱文珍,胡琼洁. 放射学实践. 2019(09)
[10]基于卷积神经网络的基底细胞癌和色素痣的临床图像鉴别[J]. 谢斌,何小宇,黄伟红,沈敏学,李芳芳,赵爽. 中南大学学报(医学版). 2019(09)
博士论文
[1]基于XGboost算法的高血压病肝火亢盛证诊断预测模型研究[D]. 陈仁波.中国中医科学院 2018
[2]正常高值血压肝火亢盛证宏观量化诊断标准的建立及代谢机制研究[D]. 王宇.山东中医药大学 2017
[3]数字化面色望诊系统的构建及其应用[D]. 彭瑜.湖北中医药大学 2014
[4]原发性高血压病中医舌象与证候的相关性研究[D]. 王静.广州中医药大学 2012
[5]高血压病肝火上炎证诊断规范化研究[D]. 赵浩.山东中医药大学 2011
硕士论文
[1]基于深度学习的新生儿疼痛表情识别[D]. 朱金朵.南京邮电大学 2018
[2]基于子午流注理论的EH中医证候特点及其与动态血压的相关性研究[D]. 赵玉枝.北京中医药大学 2018
[3]原发性高血压患者心脏收缩功能及中医辨证分型与心冲击图关系的探讨[D]. 郭艳琼.北京中医药大学 2018
[4]基于深度学习的视网膜病变光学相干断层图像识别[D]. 吴新.广东工业大学 2018
[5]基于深度学习的小样本图像分类研究[D]. 徐希岩.东北林业大学 2018
[6]基于肤色检测的中医面色识别[D]. 陈梦竹.北京交通大学 2018
[7]肝火亢盛证自发性高血压大鼠的认知功能研究[D]. 王田.北京中医药大学 2017
[8]原发性高血压左室构型与中医辨证分型的关系研究[D]. 武艺.山东中医药大学 2016
[9]老年高血压中医证型特点的研究[D]. 钟彬旭.福建中医药大学 2016
[10]心电图PTFV1值与高血压中医分型相关性研究[D]. 刘媛媛.山东中医药大学 2016
本文编号：2933686
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2933686.html
