舌诊是中医学望闻问切中的望诊的重要组成部分,舌象中的齿痕特征是指舌体的边缘能够看见牙齿的痕迹。齿痕舌是对脾气虚证进行诊断的重要客观指标,对这一指标进行识别能够促进中医对症状的分化和治疗选择。因此,部分研究人员尝试将舌体从舌图像中精细化地分割出来,以此服务于后续的中医舌诊的自动识别研究。然而,齿痕舌图像的分割极具挑战性。齿痕可被分为轻度、中度与重度,不同的齿痕程度对应于不同的脾虚以及湿重的程度,体现在舌体边缘上是细微的差异。因此,齿痕舌的舌体边界的高质量分割是实现正常舌与齿痕舌的区分的关键,在此基础上才能进一步精确区分不同的齿痕程度。本文针对齿痕舌图像的分割任务提出了两种分割方法。研究内容具体如下:首先提出了粗预测引导的残差U型网络的齿痕舌图像分割方法,该方法实现了一个轻量化的框架。第一阶段,构建由Res Net基本块组成的全卷积网络架构,实现对齿痕舌图像的初始化分割;第二阶段,以得到的粗分割结果作为引导,构建残差U型结构,学习初始分割图与原图间的差异来得到边界更精细的预测结果,从而实现分割边界的细化。此外,模型借鉴深度监督的策略,设计部署了新的损失函数,加速深度网络模型的收敛。实验结果表明,该方法运用于齿痕舌图像分割,将平均95 HD提升至14.29像素,最大95 HD提升至32.02像素,实现了优异的分割性能。接着针对空洞卷积堆叠使用过程中可能出现的问题,提出了空洞残差小单元模块。改进了粗预测引导的残差U型网络的齿痕舌图像分割方法中的第一阶段网络框架。具体地,将Res Net-50主干网络的第四部分的输出特征图作为模块的输入,串联四个空洞率分别为的空洞残差小单元,实现特征增强,并由此得到较佳的初始分割图。其次,对初始分割图的细化与上一个工作保持一致,得到最终的融合空洞卷积的两阶段齿痕舌图像分割方法。实验结果表明该模型实现了对基础网络在分割任务上的性能提升,可以看出MIo U达到了97.02%,MPA达到了98.45%,平均95 HD提升至10.35像素,最大95HD提升至22.14像素,此外,本文还实现了高水平分割性能情况下的轻量化网络。