当前位置：首页 > news >正文

深度学习的卷积神经网络中医舌诊断病系统-ResNet50与VGG16方法的比较研究

news 2025/10/16 8:07:22

摘要：中医舌诊作为传统中医诊断的重要手段，广泛应用于临床疾病的识别与判断。舌苔的颜色、形态、厚薄、湿润程度等特征常常是反映人体健康状况的重要信号。随着深度学习技术的飞速发展，利用卷积神经网络（CNN）对舌诊图像进行自动化分析已成为一种前沿的研究方向。本文旨在通过ResNet50与VGG16两种深度卷积神经网络模型，对中医舌诊中的舌苔类型进行诊断与分类，探讨不同模型在舌苔图像处理中的效果与适用性。

作者：Bob(原创)

研究背景

舌诊是中医“望闻问切”四诊方法中“望诊”的重要组成部分，是中医诊断体系中极具代表性的客观化诊断手段。舌象，尤其是舌苔的颜色、厚薄、润燥和腻滑程度，被认为能够反映人体脏腑功能、气血盛衰以及疾病的性质与发展阶段。临床上，红色舌苔厚腻多见于内热炽盛、痰湿蕴结之证；白色舌苔厚腻常提示脾胃湿盛、寒湿内阻；黑色舌苔往往预示病情严重或久病入络；白霉舌苔多见于寒湿困脾、阳气受遏；紫色舌苔则提示气滞血瘀或瘀热内蕴；而红色舌苔黄腻厚则多与湿热内蕴、脾胃实热有关。
这些舌苔特征不仅具有较高的临床辨证价值，也为中医疾病诊断和疗效评估提供了关键依据。

然而，传统舌诊高度依赖医师的经验与主观判断，存在着可重复性差、标准化不足、客观性欠缺等问题。随着中医现代化与智能化的发展趋势，如何将舌诊这一传统经验性方法转化为可量化、可重复、可验证的客观诊断技术，成为中医信息化研究的重要方向之一。

近年来，随着深度学习（Deep Learning）和计算机视觉（Computer Vision）技术的迅速发展，基于卷积神经网络（Convolutional Neural Network, CNN）的图像识别模型在医学影像、皮肤病诊断、眼底病变检测等领域取得了显著成果。将CNN应用于中医舌象识别，能够实现舌苔特征的自动提取与分类，从而提高舌诊的准确性与智能化水平。其中，VGG16以其结构简洁、层次分明而被广泛用于图像分类任务，而ResNet50则通过引入残差学习（Residual Learning）机制，有效解决了深层网络的梯度消失和退化问题，在复杂图像识别中表现优异。

因此，本研究以红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔、红色舌苔黄腻厚等典型舌苔类型为研究对象，基于VGG16与ResNet50两种深度卷积神经网络模型，构建中医舌诊自动识别系统，比较不同网络结构在舌苔图像分类中的性能差异。通过对模型精度、收敛速度、特征提取能力等方面的分析，旨在为中医舌诊的标准化、客观化与智能化提供技术支撑，并为未来中西医结合的多模态诊断系统奠定基础。

算法概述

1.VGG16
本研究采用的深度学习模型为VGG16。VGG（Visual Geometry Group）是英国牛津大学计算机视觉小组提出的深度卷积神经网络架构。VGG网络的主要贡献在于其使用了更深的网络结构，通过增加卷积层的数量，能够有效地提取图像中的更为丰富的特征，从而提高模型在图像分类任务中的准确性和泛化能力。具体而言，VGG16由16层组成，包括13个卷积层和3个全连接层。在该架构中，每个卷积层使用相同大小的卷积核（3×3），并采用较小的步幅（1），通过多层堆叠的方式来增强网络的表达能力。VGG16的设计思想基于对较浅网络的深度堆叠，体现了深层网络在提高分类准确率方面的优势。

图1 VGG16网络架构示意图

（1）VGG16特点
VGG网络的卷积层全部采用的是3×3卷积核，这个设计是VGG16网络的一个显著特点。一个3×3卷积核包含了一个像素的上下左右的最小单元。连续多层的3×3卷积核可以拟合更复杂的特征，同时增加网络深度。

两个3×3卷积可以替代一个5×5卷积，三个3×3卷积可以替代一个7×7卷积。这样多个小卷积核的卷积层替代一个卷积核较大的卷积层，一方面参数数量减少了，另一方面非线性次数也变多了，学习能力变得更好，网络的表达能力也提升了。

（2）VGG16的SWOT分析
SWOT分析包括优势、劣势、机会和威胁四个方面。

图2 VGG16的SWOT分析图

这张图展示了VGG16模型的SWOT分析，分别从优势、劣势、机会和威胁四个方面对其进行总结。通过对模型的深度结构、计算资源需求、可扩展性以及市场需求等因素的分析，帮助了解VGG16在实际应用中的潜力与局限。

2.ResNet50
ResNet50是一种基于深度卷积神经网络（Convolutional Neural Network，CNN）的图像分类算法。它是由微软研究院的Kaiming He等人于2015年提出的，是ResNet系列中的一个重要成员。ResNet50相比于传统的CNN模型具有更深的网络结构，通过引入残差连接（residual connection）解决了深层网络训练过程中的梯度消失问题，有效提升了模型的性能。

图3 ResNet50网络结构图

这张图展示了ResNet50网络的架构细节，清晰地展示了其分为多个阶段（Stage 0 至 Stage 4）的模块化结构。每个阶段包含不同的卷积层、批量归一化（BN）和残差连接（BTNK1和BTNK2），从而提高了网络的训练效率和准确性。

3.VGG16与ResNet50对比
VGG16与ResNet50在结构上主要区别在于，VGG16采用简单的深层堆叠卷积层，而ResNet50通过引入残差块和跳跃连接，有效解决了梯度消失问题，适应性更强，训练效率更高。

表1 VGG16与ResNet50对比表

该表格对比了VGG16与ResNet50在网络层数、卷积层结构、参数量、训练效率、深度网络处理能力、适应性和应用场景等方面的主要差异，突出了ResNet50在处理深层网络时的优势，尤其在训练效率和梯度消失问题的解决上。

系统设计

本系统旨在实现心电图（ECG）信号的自动分析与心脏病诊断，采用“数据输入 + 模型推理 + 结果展示”的一体化工作模式。系统架构包括图像输入模块、图像预处理模块、数据集准备模块、VGG16/ResNet50训练模块、推理与检测模块、界面与用户交互模块、检测结果展示模块以及实验结果与性能评估模块。前端界面通过图形用户界面（GUI）支持心电图数据的导入与交互操作，而后端则基于VGG16或ResNet50模型进行实时心电图分析与心脏病分类。VGG16与ResNet50模型在心电图信号分类任务中展现了较高的准确性和效率，能够有效区分心肌梗死（MI）、心律不齐（ARR）和正常心律（NL）等三类心脏疾病，因此具有广泛的应用前景，特别是在心脏病诊断与健康监测领域。

图4 诊断系统整体流程图

VGG16与ResNet50模型在深度卷积神经网络（CNN）领域表现出色，尤其在图像分类与特征提取任务中展现了卓越的性能。在心电图信号分析中，这些模型能够提取复杂的时序特征。VGG16通过层叠的卷积层逐步提取低级与高级特征，从而提高了心电图信号分类的表现。然而，VGG16的深度结构可能会受到梯度消失问题的影响。相比之下，ResNet50通过引入残差连接技术（即跳跃连接），有效解决了梯度消失问题，提升了深层网络的训练效果与分类准确性。两者都经过大规模心电图数据集的训练，并且经过优化后，可以在推理阶段提供高效的实时分类结果。

VGG16与ResNet50在心电图信号分类任务中的高效性和准确性，使其在心脏病诊断中具有重要的应用价值。通过对心电图信号进行实时分析，系统能够对心肌梗死、心律不齐和正常心律等心脏疾病进行有效分类。这为临床诊断提供了有力支持，尤其是在远程医疗和实时监控中，能够快速筛查患者的心脏健康状况。此外，VGG16与ResNet50模型的训练和推理效率使其在实际应用中具有较高的实时性，适用于心电监测、健康评估及辅助诊断等多个应用场景。

数据集构建

1.数据来源
本系统使用的舌苔图像数据主要通过公开的中医舌诊数据库收集。通过整理和筛选大量公开的舌苔图像信号，构建了一个多样化的数据集，涵盖了不同舌苔类型的信号，包括红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔以及红色舌苔黄腻厚等典型舌苔特征。该数据集的创建旨在推动深度学习和人工智能技术在中医舌诊中的应用，同时为系统的舌苔图像分类与疾病识别提供高质量的训练数据。这些舌苔图像能够为舌诊模型的训练提供丰富的样本，助力模型在实际临床环境中的应用与发展，进一步推动中医智能化的进程。

表2 数据集基本信息

该数据集包括红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔以及红色舌苔黄腻厚等不同舌苔类型的舌象图像。数据集不仅类别多样，且具有较高的质量，适用于系统的舌苔图像分类任务，为中医舌诊的自动化诊断提供了高质量的训练数据。该数据集旨在推动深度学习和人工智能技术在中医领域中的应用，特别是舌诊识别，提供强有力的数据支持，以提高舌诊的准确性和效率。

图4 数据集图片

本研究在对原始舌苔图像数据进行清洗与筛选后，构建了一个包含6个舌苔类别的中医舌象数据集，分别为红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔和红色舌苔黄腻厚。该数据集的类别分布均衡，全面涵盖了中医临床中常见的不同舌苔类型，能够真实反映患者的舌象特征。数据集中每类舌苔图像均经过标准化处理与质量控制，确保了样本的代表性与清晰度。该数据集为后续基于深度学习模型（如VGG16、ResNet50）进行舌苔识别与病证分类提供了坚实的数据支撑，为中医舌诊的客观化与智能化研究奠定了基础。

2.分类方法
本系统所使用的心电图（ECG）信号数据的分类信息由分类人员完成。每个心电图信号都被分配到一个明确的类别，如心肌梗死（MI）、心律不齐（ARR）和正常心律（NL）。为确保分类的准确性和可靠性，分类过程由专业人员独立完成，并通过交叉验证的方式进行审核，从而有效降低个体差异带来的偏差，确保数据分类的一致性和权威性。该分类方法确保了数据集的高质量，并为后续基于VGG16和ResNet50的心电图信号分类模型训练提供了坚实的数据支持。

（1）分类数据集格式
该格式主要用于图像分类任务，常见于VGG16和ResNet50等深度学习模型的训练。其方法是将每张图像归类为一个明确的类别。该格式能够确保数据与模型在训练与推理过程中的高效匹配，从而提高分类精度和推理效率。这种格式简化了数据准备过程，并为基于 VGG16 和 ResNet50 的图像分类模型训练提供了高效且标准化的数据输入。

图5 分类数据集格式

（2）数据集划分
标注后的数据集不仅包括图像文件，还包含对应的分类信息。经过上述所有步骤处理和验证后的图像数据被划分成训练集和测试集，形成最终的数据集，用于算法训练学习模型。

图6 数据集划分：测试集和训练集

以下是数据集的具体含义及每个数据集的作用：

表3 数据集概述

模型训练

VGG16 和 ResNet50 是两种常用于图像分类任务的深度学习模型。其训练过程主要包括以下几个步骤：配置文件与超参数的设置、训练过程的执行以及训练结果的可视化分析。

图7 模型训练流程图

1.配置文件与超参数设置
以下是关于Vgg16模型训练过程中的配置文件和超参数设置，并通过配置文件以及相关参数进行训练设置。

表4 Vgg16模型训练超参数设置

以下是关于ResNet50模型训练过程中的配置文件和超参数设置，并通过配置文件以及相关参数进行训练设置。

表5 ResNet50模型训练超参数设置

VGG16 和 ResNet50 的训练过程虽然在网络结构上有所不同（VGG16 采用层叠卷积，ResNet50 引入残差连接），但整体训练流程相似，包含数据预处理、模型训练、损失计算与优化等步骤。两者在配置文件、超参数、优化器和损失函数的应用上高度一致，目标是通过迭代优化提升模型的性能和泛化能力。

2.模型性能评估
在 VGG16 和 ResNet50 模型的训练过程中，模型性能评估是衡量其在图像分类任务中表现的重要环节，能够全面反映模型在分类精度和泛化能力方面的表现。科学而准确的评估不仅有助于揭示模型的优势与不足，还能为后续的改进与优化提供可靠依据。
（1）训练与验证准确率和损失曲线

图8 VGG16和ResNet50训练与验证准确率和损失曲线

从这两张训练和验证的准确率与损失曲线图来看，VGG16 的准确率在前几个 epoch 迅速上升后趋于平稳，但验证准确率有所波动，且训练损失较为陡峭下降；而 ResNet50 则表现得更加稳定，验证准确率持续上升，并且训练损失下降平稳，展现了更强的泛化能力。

表6 VGG16与ResNet50精度与损失总结表

（2）混淆矩阵热力图

图9 VGG16与ResNet50混淆矩阵热力图

从这两张混淆矩阵热力图来看，VGG16 和 ResNet50 都在大多数类别上有着较高的预测准确率，尤其是“黑苔舌”和“地图舌”类别，几乎达到了100%的准确率。VGG16 在“红舌黄腻厚腻苔”类别上有较多的误分类（9%），而 ResNet50 在“红舌黄腻厚腻苔”类别的误分类更少，仅为1%，表现出更高的精度。

表6 VGG16与ResNet50模型分类表现对比表

（7）训练日志（Training Log）
训练日志记录了VGG16和ResNet50模型在训练过程中的详细信息，包括训练轮次、每轮的损失值、验证准确率以及训练时间等，这些信息帮助评估两个模型的训练效果和性能。

图10 VGG16训练日志

图11 ResNet50训练日志

表5 模型训练日志概要

根据这个日志输出来看，VGG16 模型在训练过程中表现稳定，验证准确率最终达到 0.896，训练损失由 1.341 降至 0.283，在“红舌黄腻厚腻苔”和“紫舌苔”等类别上误分类较少；而 ResNet50 模型表现更为优异，验证准确率提升至 0.988，训练损失持续下降，几乎无误分类，整体分类精度和泛化能力显著优于 VGG16。

功能展示

本系统基于深度学习的卷积神经网络（CNN）模型，旨在实现中医舌象图像的自动分析与疾病诊断。系统集成了多种深度学习模型（主要包括 ResNet50 与 VGG16），可对舌象图像进行特征提取、分类与诊断结果展示。通过对比不同模型的性能表现，本系统为中医舌诊的智能化、标准化研究提供了技术支撑。以下为主要功能界面的展示：
1. 系统主界面展示
系统主界面集成了舌象图像上传、模型选择、实时分析及诊断结果展示等功能。用户可在界面中直观选择不同的卷积神经网络模型（如 VGG16 与 ResNet50），上传舌象图像后系统将自动进行特征识别与分类分析，并生成对应的诊断结果。界面支持对模型预测结果的可视化展示，方便科研人员与临床医生对比不同模型的诊断表现。