Ammonia-Net: A Multi-task Joint Learning Model for Multi-class Segmentation and Classification in Tooth-marked Tongue Diagnosis

要約

伝統的な中国医学では、長期にわたる歯の圧迫によって生じる舌の歯跡は、内臓の健康と本質的に関連している気（陽）の欠乏を評価するための重要な指標として機能します。
歯跡のある舌の手動診断は経験にのみ依存します。
それにもかかわらず、歯の跡の形状、色、種類が多様であるため、診断の精度と一貫性に課題が生じています。
これらの問題に対処するために、本明細書では、Ammonia-Net という名前のマルチタスク共同学習モデルを提案します。
このモデルは、畳み込みニューラル ネットワーク ベースのアーキテクチャを採用しており、特に舌画像のマルチクラス セグメンテーションと分類用に設計されています。
Ammonia-Net は、舌画像のセマンティック セグメンテーションを実行して、舌と歯の跡を識別します。
セグメンテーション出力の助けを借りて、画像を必要な数のクラス (健康な舌、軽い舌、中等度の舌、重度の舌) に分類します。
私たちが知る限り、これは歯形の意味セグメンテーションの結果を歯形舌の分類に適用する最初の試みです。
Ammonia-Net をトレーニングするために、856 人の被験者から 856 枚の舌画像を収集します。
多数の広範な実験の結果、提案されたモデルは、歯跡のある舌の識別の 2 クラス分類タスクで 99.06%、80.02% の精度を達成することが実験結果によって示されました。
セグメンテーション タスクに関しては、舌と歯の跡の mIoU は 71.65% に達します。

要約(オリジナル)

In Traditional Chinese Medicine, the tooth marks on the tongue, stemming from prolonged dental pressure, serve as a crucial indicator for assessing qi (yang) deficiency, which is intrinsically linked to visceral health. Manual diagnosis of tooth-marked tongue solely relies on experience. Nonetheless, the diversity in shape, color, and type of tooth marks poses a challenge to diagnostic accuracy and consistency. To address these problems, herein we propose a multi-task joint learning model named Ammonia-Net. This model employs a convolutional neural network-based architecture, specifically designed for multi-class segmentation and classification of tongue images. Ammonia-Net performs semantic segmentation of tongue images to identify tongue and tooth marks. With the assistance of segmentation output, it classifies the images into the desired number of classes: healthy tongue, light tongue, moderate tongue, and severe tongue. As far as we know, this is the first attempt to apply the semantic segmentation results of tooth marks for tooth-marked tongue classification. To train Ammonia-Net, we collect 856 tongue images from 856 subjects. After a number of extensive experiments, the experimental results show that the proposed model achieves 99.06% accuracy in the two-class classification task of tooth-marked tongue identification and 80.02%. As for the segmentation task, mIoU for tongue and tooth marks amounts to 71.65%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google