Ammonia-Net：一种用于齿痕舌诊断中多类分割与分类的多任务联合学习模型
计算机视觉与模式识别
2023-10-06 v1
摘要
在中医中，舌上的齿痕源于长期的牙齿压迫，是评估气虚（阳）的关键指标，其与内脏健康内在相关。齿痕舌的手动诊断仅依赖经验。然而，齿痕在形状、颜色和类型上的多样性对诊断准确性和一致性提出了挑战。为解决这些问题，本文提出一种名为Ammonia-Net的多任务联合学习模型。该模型采用基于卷积神经网络的架构，专为舌图像的多类分割与分类而设计。Ammonia-Net对舌图像进行语义分割以识别舌体与齿痕。在分割输出的辅助下，它将图像分类为所需类别数：健康舌、轻度齿痕舌、中度齿痕舌和重度齿痕舌。据我们所知，这是首次尝试将齿痕的语义分割结果用于齿痕舌分类。为训练Ammonia-Net，我们从856名受试者收集了856张舌图像。经过大量实验，实验结果表明所提模型在齿痕舌识别的二分类任务中达到99.06%准确率，在多分类中达到80.02%。至于分割任务，舌体与齿痕的mIoU达到71.65%。
引用
@article{arxiv.2310.03472,
title = {Ammonia-Net: A Multi-task Joint Learning Model for Multi-class Segmentation and Classification in Tooth-marked Tongue Diagnosis},
author = {Shunkai Shi and Yuqi Wang and Qihui Ye and Yanran Wang and Yiming Zhu and Muhammad Hassan and Aikaterini Melliou and Dongmei Yu},
journal= {arXiv preprint arXiv:2310.03472},
year = {2023}
}