基于痧象的臟腑功能失調(diào)預(yù)警方法

韓立博 胡廣芹 張新峰 張艷陽

0 引言

痧療在臨床應(yīng)用中有著很好的效果，醫(yī)生通過刮痧工具刮拭皮膚，刺激穴位區(qū)域，治療各種疾病。刮痧過后，皮膚的表面往往會出現(xiàn)一些鮮紅或者暗紅或者紫紅等顏色的斑塊或紅點，其被稱為痧象。背部五臟六腑穴位區(qū)域的痧象對臟腑功能失調(diào)具有預(yù)警作用，刮拭的背部臟腑穴位區(qū)域若出現(xiàn)痧塊、痧斑等現(xiàn)象，需要重點觀察該區(qū)域?qū)?yīng)的臟腑，其功能可能出現(xiàn)了變化[1-2]。

傳統(tǒng)的痧象識別方法存在一些缺陷：目前主要基于醫(yī)生對背部臟腑穴位各個區(qū)域模糊定位來實現(xiàn)，面對較多的區(qū)域，無論是定位還是識別都需要花費很多時間，影響工作效率。

利用相機采集的圖像有一些雜亂的背景，影響?zhàn)鹣髨D像在電子病歷中的規(guī)范化存儲。信息技術(shù)的快速發(fā)展，對解決上述問題提供了一條道路。武文強等[3]基于痧象利用支持向量機(support vector machine，SVM)實現(xiàn)了痤瘡證型自動分類，出痧區(qū)域與不出痧區(qū)域相比，其表面更加粗糙，紋理具有一定的差異性，Tamura紋理特征中的粗糙度以及對比度在表達(dá)痧象的紋理特征上具有很好的效果。但其研究也存在一些不足之處，運用顏色直方圖法提取痧象的顏色特征，顏色直方圖法量化處理容易影響最后的識別結(jié)果[4]。本文在前人的基礎(chǔ)上，進(jìn)行基于痧象的臟腑功能失調(diào)預(yù)警方法研究。

1 研究方法

1.1 基于兩點的Grabcut背部提取及臟腑穴位區(qū)域定位

在采集圖像時，患者體位若傾斜，背部臟腑穴位區(qū)域的定位以及識別都會有很大的影響。由于大椎穴以及長強穴都在背部的中間位置，所以二者的橫坐標(biāo)是相同的，故通過該特性對采集的圖像作校正處理。首先根據(jù)手動得到的大椎穴以及長強穴具體坐標(biāo)值計算傾斜的具體角度：

(1)

式中，(m1,n1)為大椎穴位置坐標(biāo)；(m2,n2)為長強穴位置坐標(biāo)。根據(jù)(m1,n1)、(m2,n2)得到圖像的旋轉(zhuǎn)中心(m5,n5)，見式(2)、式(3)，將原始圖像繞旋轉(zhuǎn)中心順時針旋轉(zhuǎn)α，計算旋轉(zhuǎn)后的大椎穴坐標(biāo)值(m3,n3)以及長強穴坐標(biāo)值(m4,n4)，見式(4)、式(5)，式(6)、式(7)，詳情見圖1。

圖1 校正示例

(2)

(3)

(4)

(5)

(6)

(7)

Grabcut[5]是一種分割算法，其僅通過少量的人工輔助就可以獲得理想的結(jié)果，故圖像校正后，利用Grabcut算法對校正后的圖像進(jìn)行分割，去除雜亂的背景。對分割結(jié)果做二值化處理，依據(jù)二值圖像連通域最大面積區(qū)域的左上角坐標(biāo)值和右下角坐標(biāo)值、校正后的大椎穴坐標(biāo)值、校正后的長強穴坐標(biāo)值截取圖像，見圖2，紅框區(qū)域內(nèi)的圖像為截取的圖像，將其稱為圖像A。

圖 2 待處理區(qū)域

五臟六腑對應(yīng)的穴位在背部的分布存在一定的規(guī)律[6]。對標(biāo)準(zhǔn)的人體背部穴位圖進(jìn)行分析，若大椎穴的縱坐標(biāo)為0，長強穴的縱坐標(biāo)為1526，則臟腑穴位從上到下肺俞、心俞、肝俞、膽俞、脾俞、胃俞、三焦俞、腎俞、大腸俞、小腸俞、膀胱俞縱坐標(biāo)分別為168、316、612、691、746、802、854、919、1 051、1 160、1 210，橫坐標(biāo)為大椎穴的橫坐標(biāo)加減87，根據(jù)已知的標(biāo)準(zhǔn)人體背部穴位圖臟腑穴位坐標(biāo)獲取圖像A臟腑穴位的坐標(biāo)。在現(xiàn)實情況中，人體背部長寬是存在一定差異的，故首先用圖像A的大椎穴和長強穴縱坐標(biāo)差值除以標(biāo)準(zhǔn)人體背部穴位圖的大椎穴和長強穴縱坐標(biāo)差值，得到二者比值，然后用標(biāo)準(zhǔn)人體背部穴位圖的臟腑穴位縱坐標(biāo)乘以二者比值作為圖像A臟腑穴位的縱坐標(biāo)，用圖像A大椎穴的橫坐標(biāo)加減二者比值與87的乘積作為圖像A臟腑穴位橫坐標(biāo)。將以臟腑穴位為中心大小為60×60的區(qū)域作為臟腑穴位區(qū)域，用紅色方框在圖像A上標(biāo)定，截取膀胱俞縱坐標(biāo)+100以上的區(qū)域作為最終的結(jié)果。

1.2 基于SVM的痧象自動識別

本研究的樣本比較少，由于SVM[7-8]在處理小樣本時性能比較好，故首先采用SVM結(jié)合提取的特征進(jìn)行臟腑穴位區(qū)域痧象自動識別。

出痧區(qū)域一般為鮮紅、暗紅等顏色，不出痧區(qū)域一般為正常皮膚顏色或者潮紅色，二者具有很大差異，故本文提取顏色特征用于后續(xù)的痧象識別。顏色矩法[9-10]不僅能很好地用來提取顏色特征，而且可避免顏色特征量化對識別結(jié)果造成的影響，故采用顏色矩法來提取圖像的顏色特征。顏色矩法表達(dá)式如下：

(9)

(10)

(11)

式中，gi、pi、qi、Fij、N分別表示第i顏色空間的一階矩、二階矩、三階矩、第j個像素值、像素總個數(shù)。

出痧區(qū)域與不出痧區(qū)域相比，其表面更加粗糙，紋理具有一定的差異性。Tamura紋理[11]特征中的粗糙度以及對比度在表達(dá)痧象的紋理特征上具有很好的效果[3]，故本文采用該方法進(jìn)行紋理特征提取。

徑向基核函數(shù)作為SVM的核函數(shù)泛化能力比較強，故本文選用徑向基核函數(shù)對痧象的有無進(jìn)行自動識別，并采用網(wǎng)格法[12]進(jìn)行參數(shù)尋優(yōu)。由于數(shù)據(jù)相差很大容易影響最終的識別結(jié)果，故采用最大最小歸一化方法對顏色特征、紋理特征進(jìn)行歸一化。

1.3 基于Alexnet算法基礎(chǔ)上修改后的CNN痧象自動識別

相比SVM，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)不需要手動提取特征就可很好地對圖像進(jìn)行識別，由于研究的是一個數(shù)據(jù)集比較小的二分類問題，故本文選用較淺層的CNN對痧象進(jìn)行識別。由于Alexnet[13-15]是CNN的突破算法且未發(fā)現(xiàn)識別痧象的CNN，本文根據(jù)需求對Alexnet進(jìn)行修改，用來識別臟腑穴位區(qū)域的痧象。

由于ReLu激活函數(shù)的負(fù)區(qū)間神經(jīng)元不學(xué)習(xí)，本文將ReLu激活函數(shù)改為Leaky ReLu激活函數(shù)[16]。Alexnet輸入圖像一般為224×224，圖像越大，識別速度越慢，對出痧區(qū)域和不出痧區(qū)域進(jìn)行分析，出痧區(qū)域一般為鮮紅、暗紅、紫紅等顏色且表面比較粗糙，與不出痧區(qū)域全局信息存在很大的差別，針對該特性，本文選擇盡可能的縮小輸入圖像，在兼顧圖像細(xì)節(jié)信息的基礎(chǔ)上，更加考慮圖像的全局信息，提高識別速度以及準(zhǔn)確率，最終把輸入圖像縮小為15×15，修改后的CNN搭建詳情見表1。

表1 CNN搭建

1.4 實驗步驟

首先用基于兩點的Grabcut算法實現(xiàn)背部提取及背部臟腑穴位區(qū)域自動定位；然后用SVM和CNN實現(xiàn)痧象自動識別，對比實驗結(jié)果，得到最佳分類模型；最后用最佳分類模型對臟腑穴位區(qū)域痧象識別，從而實現(xiàn)臟腑功能失調(diào)預(yù)警。

2 結(jié)果分析

2.1 圖像來源及實驗設(shè)備

本研究的數(shù)據(jù)集來自北京工業(yè)大學(xué)生命學(xué)院中醫(yī)藥健康工程研究室痧象數(shù)據(jù)庫。傳統(tǒng)痧療醫(yī)生用牛角、玉石、砭石等形狀不規(guī)則的器具，因為器具不統(tǒng)一易造成痧象形狀各異，本文選取的圖像都是在統(tǒng)一痧療器具和操作手法進(jìn)行規(guī)范后保存的圖像。痧療手法：鍉圓針系統(tǒng)痧療；痧療器具：胡廣芹發(fā)明的鍉圓針定量痧療器(山東明醫(yī)明藥生物醫(yī)藥有限公司，魯淄械備20180038號)。在痧象數(shù)據(jù)庫中截取大小為60×60的小塊圖像作為訓(xùn)練集和測試集，將表面存在痧斑/血皰/痧塊，或者交叉存在的圖像命名為類型A，將表面不出痧或者具有少量痧點的圖像命名為類型B，見圖3。類型A、類型B的訓(xùn)練集以及測試集數(shù)量分別為640幅、300幅。SVM算法基于Matlab、LibSVM實現(xiàn)，深度學(xué)習(xí)算法基于Tensorflow實現(xiàn)，實驗環(huán)境為GPU 1080Ti、Ubuntu 14.04.1、CPU i7-7700HQ、Win10、64位，為了后續(xù)統(tǒng)計的時間具有統(tǒng)一性，統(tǒng)計算法在CPU下花費的時間。

圖3 不同類型的圖像

2.2 基于兩點的Grabcut背部提取及臟腑穴位區(qū)域定位結(jié)果

手動獲取大椎穴和長強穴位置信息對原始圖像[圖4(a)]進(jìn)行校正，校正結(jié)果見圖4(b)。用基于兩點的Grabcut算法實現(xiàn)背部提取及臟腑穴位區(qū)域自動定位，并用紅框標(biāo)定臟腑穴位區(qū)域。該區(qū)域分左右兩部分，從上到下的臟腑穴位區(qū)域依次為肺俞區(qū)域、心俞區(qū)域、肝俞區(qū)域、膽俞區(qū)域、脾俞區(qū)域、胃俞區(qū)域、三焦俞區(qū)域、腎俞區(qū)域、大腸俞區(qū)域、小腸俞區(qū)域、膀胱俞區(qū)域，最終結(jié)果見圖4(c)。該方法在圖像校正、背部圖像提取、背部臟腑穴位區(qū)域自動定位上取得很好的效果。

圖4 基于兩點的Grabcut處理結(jié)果

2.3 基于SVM和CNN的痧象識別結(jié)果分析

首先用SVM對小塊數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，然后用搭建好的CNN進(jìn)行訓(xùn)練和測試。由于背部臟腑穴位區(qū)域共有11個，各區(qū)域分左右兩部分，故每幅背部圖像需要對22幅小圖像進(jìn)行自動識別，所以本文統(tǒng)計每次識別22幅圖像花費的時間，識別結(jié)果和花費時間見表2。Alexnet算法基礎(chǔ)上修改的CNN相比于Alexnet、SVM識別速度更快，識別速度為每22幅0.42 s，識別準(zhǔn)確率更高，識別準(zhǔn)確率為99.83%。其中，類型A圖像1幅識別錯誤,類型B圖像全部識別正確。后續(xù)采用Alexnet算法基礎(chǔ)上修改的CNN模型進(jìn)行識別。

表2 花費時間和識別準(zhǔn)確率

2.4 臟腑功能失調(diào)預(yù)警結(jié)果分析

為了驗證該算法是否可行，對10幅圖像，即對110個臟腑穴位區(qū)域自動識別，判斷每個區(qū)域的左右兩部分中的一處或者兩處是否是類型A，如果是則判定該區(qū)域?qū)?yīng)的臟腑可能出現(xiàn)異常。對其判定結(jié)果進(jìn)行統(tǒng)計分析，識別準(zhǔn)確率為98.18%(識別正確108個，識別錯誤2個)，可用來進(jìn)行臟腑功能失調(diào)預(yù)警。

3 討論與結(jié)論

痧療過程中，常通過背部臟腑穴位區(qū)域痧象及時發(fā)現(xiàn)臟腑功能失調(diào)的問題所在，對后續(xù)的保健與治療具有重要的作用。傳統(tǒng)的臟腑功能失調(diào)預(yù)警主要基于醫(yī)生對背部臟腑穴位各個區(qū)域模糊定位來實現(xiàn)，面對較多的區(qū)域，無論是定位還是識別都需要花費很多時間，影響工作效率。使用相機采集的圖像有一些雜亂的背景，影響?zhàn)鹣髨D像在電子病歷中的規(guī)范化存儲。

本文提出一種基于圖像處理與模式識別技術(shù)的痧象分析方法，用基于兩點的Grabcut算法實現(xiàn)背部提取及臟腑穴位區(qū)域定位，并用SVM、Alexnet、Alexnet基礎(chǔ)上修改的CNN對臟腑穴位區(qū)域進(jìn)行識別，對比實驗結(jié)果確定最優(yōu)模型，實現(xiàn)各個臟腑穴位區(qū)域痧象的自動識別，從而實現(xiàn)臟腑功能失調(diào)預(yù)警。本算法的研發(fā)，為中醫(yī)痧診提供一種輔助手段，對提高醫(yī)生工作效率、規(guī)范化存儲痧象圖像具有重要的作用。但由于數(shù)據(jù)集有限，在制作數(shù)據(jù)集的時候各種典型樣本數(shù)量還不是很多，造成現(xiàn)在訓(xùn)練好的模型雖然在測試集上識別率很高，但當(dāng)用10幅圖像總共110個臟腑穴位區(qū)域驗證算法可行性時，準(zhǔn)確率下降，以后會繼續(xù)采集樣本，增加數(shù)據(jù)集，提高模型泛化能力。