基于变核卷积的HRNetV2模型对舌下络脉图像分割算法

doi:10.3969/j.issn.1006-2475.2025.10.003

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (10): 14-19.doi: 10.3969/j.issn.1006-2475.2025.10.003

基于变核卷积的HRNetV2模型对舌下络脉图像分割算法

（1.安徽水利水电职业技术学院电子信息工程学院，安徽合肥 231603； 2.合肥云诊信息科技有限公司人工智能实验室，安徽合肥 230088； 3.安徽中医药大学第二附属医院，安徽合肥 230012； 4.合肥工业大学计算机与信息学院，安徽合肥 230009）

出版日期:2025-10-27 发布日期:2025-10-27
作者简介:作者简介：蒋冬梅（1983—），女，安徽六安人，硕士研究生，研究方向:计算机应用，E-mail: 99744663@qq.com；通信作者：彭成东（1984—），男，安徽六安人，工程师，博士，研究方向:图像处理，计算机视觉的理论与应用研究，E-mail: 2020020018@mail.hfut.edu.cn。
基金资助:
安徽省重点研究与开发计划项目（2022h11020018）；安徽省科技重大专项计划（202303a07020008）；新安医学与中医药现代化研究所揭榜挂帅项目（2024CXMMTCM002）；安徽省高校自然科学研究项目（2022AH052293）

Sublingual Vein Image Segmentation Based on HRNetV2 Model with Variable Kernel Convolution

（1. Electronic Information Engineering College， Anhui Technical College of Water Resources and Hydroelectric Power， Hefei 231603， China； 2. Artificial Intelligence Laboratory， Hefei Yunzhen Information Technology Co.， Ltd.， Hefei 230088， China； 3. Second Affiliated Hospital， Anhui University of Chinese Medicine， Hefei 230012， China； 4. School of Computer Science and Information Engineering， Hefei University of Technology， Hefei 230009， China）

Online:2025-10-27 Published:2025-10-27

摘要/Abstract

摘要： 摘要：针对现有舌下络脉分析采用卷积神经网络分类或分割的方法提取络脉图像，但存在对络脉细节提取精度不高的问题，本文提出一种改进的HRNetV2高分辨率语义分割网络算法对舌下络脉进行提取。该方法采用高分辨率保持的HRNetV2网络结构，将高分辨率到低分辨率子网络结构的输出并行连接成多尺度融合具有更高的空间精确度的特征图，改善舌下络脉细节信息丢失的问题。同时使用具有任意采样形状和任意数目参数的变核卷积AKConv代替普通卷积，提升卷积对脉形结构变化的适应能力，减少欠分割问题。在安徽中医药大学云诊科技舌象开放平台上抽取数据验证，该算法的像素精度PA、均像素精度mPA、均交并比mIoU分别为95.28%、92.33%和93.42%，优于Mask-RCNN模型、U-Net系列模型、HRNetV2模型。改进的HRNetV2方法对于舌下络脉图像分割精确度高，为进一步应用于脉色和脉形特征定量研究提供新方法。

关键词: 关键词：舌下络脉分割, 高分辨率分割, 变核卷积, 不规则卷积, 多尺度特征融合

Abstract:
Abstract: The existing analysis of sublingual vein often uses convolutional neural network （CNN） image classification methods or image segmentation methods to extract. But there is a problem of low accuracy in extracting details of meridians. Therefore， an improved HRNetV2 high-resolution semantic segmentation network algorithm is proposed to extract sublingual meridians. Adopting a high-resolution HRNetV2 network structure， the outputs of sub network structures from high to low resolution are connected in parallel to form multi-scale fused feature maps with higher spatial accuracy， improving the problem of loss of detailed information in sublingual veins. In addition， AKConv， convolutional kernel with arbitrary sampled shapes and arbitrary number of parameters instead of ordinary convolution can improve the convolution’s adaptability to change pulse structure and reduce the problem of under segmentation. The algorithm is validated through data extraction on the tongue image open platform of Anhui university of Traditional Chinese Medicine （TCM） cloud diagnosis technology， with pixel accuracy（PA）， mean pixel accuracy（mPA）， and mean intersection over union（mIoU） of 95.28%， 92.33%， and 93.42%， respectively， which is superior to the Mask-RCNN model， U-Net models， and HRNetV2 model. The improved HRNetV2 method has high accuracy in segmenting sublingual vein images， providing a new method for further quantitative research on pulse color and shape features.

Key words: Key words:sublingual vein segmentation, high-resolution segmentation, variable kernel convolution, irregular convolution, multi-scale feature fusion

中图分类号:

中图分类号：TP391

蒋冬梅1, 杨诺2, 陈仁明2, 董昌武3, 彭成东2, 4. 基于变核卷积的HRNetV2模型对舌下络脉图像分割算法[J]. 计算机与现代化, 2025, 0(10): 14-19.

JIANG Dongmei1, YANG Nuo2 , CHEN Renming2, DONG Changwu3, PENG Chengdong2, 4 . Sublingual Vein Image Segmentation Based on HRNetV2 Model with Variable Kernel Convolution[J]. Computer and Modernization, 2025, 0(10): 14-19.

参考文献

［1］毛冬雪，齐景馨，俞睿，等. 舌下络脉形成的机理探析及临床意义［J］. 辽宁中医杂志， 2019，46（10）:2089-2091.
［2］张晓晓，刘水清，沈洋，等. 舌下络脉在恶性肿瘤诊断中的应用研究［J］. 中医药通报， 2021，20（6）:26-29.
［3］金金. 肺癌患者舌下络脉特征及与血清VEGF的相关性研究［D］. 北京:中国中医科学院， 2021.
［4］张淼，黄蓉，彭强，等. 舌下络脉与糖尿病和高血压病关系的临床观察［J］. 天津中医药， 2022，39（12）:1513-1518.
［5］段文华，金金，于鑫，等. 肺癌患者舌下络脉积分与血清VEGF水平的相关性研究［J］. 中国中医基础医学杂志， 2022，28（10）:1647-1652.
［6］王瑜，李军，陈杰，等. 舌下络脉与中老年糖脂代谢的关系［J］. 中华中医药杂志， 2023，38（2）:871-875.
［7］王亚楠，袁莉，汪莉，等. 慢性萎缩性胃炎中医证型与舌下络脉特征相关性分析［J］. 中国中医药信息杂志， 2023，30（5）:158-163.
［8］王立娟，钱鹏，徐鸽，等. 不同恶性肿瘤患者舌下络脉特征的临床观察分析［J］. 中国中医药科技， 2024，31（1）:1-5.
［9］闫子飞，于淼，王宽全，等. 近红外舌下图像的舌下静脉分割方法［J］. 计算机辅助设计与图形学学报， 2008（12）:1569-1574.
［10］闫子飞. 面向中医舌诊的舌下静脉特征获取与分析［D］. 哈尔滨:哈尔滨工业大学， 2011.
［11］张纬博，王博亮，谢杰镇. 舌下络脉诊断中舌背区域自动撷取算法的研究［J］. 中国数字医学， 2011，6（9）:99-101.
［12］李伟. 舌下静脉血管分割及其病理特征分析研究［D］. 哈尔滨:哈尔滨工业大学， 2016.
［13］ YANG T X， YOSHIMURA Y， MORITA A， et al. Synergistic attention U-Net for sublingual vein segmentation［J］. Artificial Life and Robotics， 2019，24（1）:550-559.
［14］王立娟，钱鹏，李福凤. 中医舌下络脉诊判读方法分析［J］. 中医文献杂志， 2023，41（6）:35-38.
［15］王立娟，钱鹏，杨帅，等. 舌下络脉的客观识别与颜色分类研究［J］. 中国中医药信息杂志， 2024，31（1）:147-151.
［16］ DU G T， CAO X， LIANG J M， et al. Medical image segmentation based on U-Net: A review［J］. Journal of Imaging Science and Technology， 2020，64（2）. DOI:10.2352/J.ImagingSci.Technol.2020.64.2.020508.
［17］ SHI H L， JIANG X L， ZHOU C， et al. DAAM-Net: A dual-encoder U-Net network with adjacent auxiliary module for pituitary tumor and jaw cyst segmentation［J］.Biomedical Signal Processing and Control， 2025，99. DOI: 10.1016/j.bspc.2024.106908.
［18］ DONG W H， DU B， XU Y C. Shape-intensity-guided U-net for medical image segmentation［J］. Neurocomputing， 2024，610. DOI: 10.1016/j.neucom.2024.128534.
［19］ WANG Z， XIAO P S， TAN H. Spinal magnetic resonance image segmentation based on U-Net［J］. Journal of Radiation Research and Applied Sciences， 2023，16（3）. DOI:10.1016/j.jrras.2023.100627.
［20］ SAMI A， MD A H R， MOHAIMENUL A K R， et al. Reimagining otitis media diagnosis:A fusion of nested U-Net segmentation with graph theory-inspired feature set［J］. Array， 2024，23. DOI: 10.1016/j.array.2024.100362.
［21］ XU Y， HOU S K， WANG X Y， et al. A medical image segmentation method based on improved UNet 3+ network［J］. Diagnostics， 2023，13（3）. DOI: 10.3390/diagnostics13030576.
［22］ RONNEBERGER O， FISCHER P， BROX T. U-Net: Convolutional networks for biomedical image segmentation［C］// International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer， 2015:234-241.
［23］ ZHOU Z， SIDDIQUEE M M， TAJBAKHSH N， et al. UNet++: A nested U-Net architecture for medical image segmentation［C］// International Workshop on Deep Learning in Medical Image Analysis. Springer， 2018:3-11.
［24］ OKTAY O， SCHLEMPER J， FOLGOC L L， et al. Attention U-Net:Learning where to look for the pancreas［J］. arXiv preprint arXiv:1804.03999， 2018.
［25］ CHEN J， LU Y， YU Q， et al. TransUNet:Transformers make strong encoders for medical image segmentation［J］. arXiv preprint arXiv:2102.04306， 2021.
［26］ LIU P， SONG Y， CHAI M Y， et al. Swin-UNet++: A nested swin transformer architecture for location identification and morphology segmentation of dimples on 2.25Cr1Mo
0.25V fractured surface［J］. Materials， 2021，14（24）. DOI: 10.3390/ma14247504.
［27］ CLARA D， DAVID G， DAVID B， et al. 2D nnUNet for classification and segmentation of anatomical structures in fetal torso ultrasound［C］// Medical Imaging 2022: Image Processing. SPIE， 2022，12032:856-864.
［28］ WANG J D， SUN K， CHENG T H， et al. Deep high-resolution representation learning for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021，43（10）:3349-3364.
［29］ ZHANG X， SONG Y， SONG T， et al. AKConv: Convolutional kernel with arbitrary sampled shapes and arbitrary number of parameters［J］. arXiv preprint arXiv:2311.11587， 2023.

基于变核卷积的HRNetV2模型对舌下络脉图像分割算法

Sublingual Vein Image Segmentation Based on HRNetV2 Model with Variable Kernel Convolution

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 1

编辑推荐

Metrics

本文评价