一个改进的轻量级舌头细分模型,具有自我注意的并行网络和渐进的升级样本
Xuan Wang1, Yifang Cao1, Yijia Chen2
1School of Management, Beijing University of Chinese Medicine, Beijing, China.
Scientific reports
|July 29, 2025
概括
一个新的模型,PAPU_TonSeg,通过增强特征提取和减少精度损失来改善传统中医 (TCM) 中的舌头细分. 这种人工智能工具为临床研究提供了更准确的舌头诊断.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 传统中国医药 传统中国医药
背景情况:
- 舌头诊断是中国传统医学 (TCM) 的一个关键组成部分.
- 精确的舌头图像细分对于智能TCM诊断至关重要.
- 现有的方法在模糊的舌边和不准确的细分方面扎.
研究的目的:
- 引入一个改进的基于Segformer的模型,用于精确的舌头语义细分.
- 为了解决当前舌边细分精度和清晰度的局限性.
- 为了提高TCM舌头诊断研究的智能化.
主要方法:
- 开发了并行注意力和逐步上抽样来进行舌头细分 (PAPU_TonSeg).
- 集成了一个自我注意平行网络,用于同时进行本地和全球特征提取.
- 整合了高效通道注意力 (ECA) 和多维特征渐进式上采样.
主要成果:
- 在BioHit数据集中,PAPU_TonSeg在平均像素精度 (MPA),平均跨度 (MIoU) 和子系数方面取得了显著的改进.
- 与第二个数据集上的原始Segformer模型相比,实现了更高的准确度指标.
- 该模型的参数数量和计算复杂性低于经典模型.
结论:
- PAPU_TonSeg提供了卓越的舌头细分性能,准确地捕捉像牙痕迹这样的细节.
- 该模型有效地平衡全球和本地特征提取,以改善注意力分布.
- PAPU_TonSeg是一个有前途的工具,用于推进TCM舌头诊断的临床诊断和研究.


