此方法的具体细节与舌体分割类似，只是所用到的数据集不同！代码参照：【python-Unet】计算机视觉 舌象舌头图片分割 机器学习（三）
舌裂，即舌面裂纹。在中医诊断中健康人群的舌面看起来比较光滑，而舌体上出现各式各样的裂纹往往预示着患有一些疾病。舌裂的提取非常困难，舌面上的裂纹色值与普通舌面差别并不大，并且用户使用移动设备而非专业的舌象采集设备，机器识别细小的裂纹非常困难。中e诊基于使用U-Net网络分割的舌体图像，再次使用U-Net网络对舌面的裂纹进行提取。
舌裂纹提取基于PyTorch框架，利用Python编写。首先根据标注数据在数据集中寻找出近200张舌裂患者的图像数据，使用Photoshop进行标注。标注示例图如下：
进行标注后利用PyTorch框架构建U-Net模型抓取舌象图像特征，预测舌象图像标签。为对模型进行评价，在训练中计算每次循环的平均损失率。由于舌裂像素点少，故预测需要非常准确，最终每张图的损失了约为0.5%左右。
训练共历时5天，共200张标记图像，最终平均预测损失率约为0.5%。模型预测，即舌裂纹提取的效果理想，在此展示损失率为0.5%时的舌裂纹提取结果示例，示例如下图所示：
根据提取出的舌裂纹的像素点的多少，中e诊可判断用户是否具有大面积的舌裂纹，由此可为用户的体质分类做铺垫。