CN117747091A - 一种口腔黏膜病损辅助诊断系统 - Google Patents
一种口腔黏膜病损辅助诊断系统 Download PDFInfo
- Publication number
- CN117747091A CN117747091A CN202410017553.1A CN202410017553A CN117747091A CN 117747091 A CN117747091 A CN 117747091A CN 202410017553 A CN202410017553 A CN 202410017553A CN 117747091 A CN117747091 A CN 117747091A
- Authority
- CN
- China
- Prior art keywords
- oral mucosa
- image
- lesion
- model
- lesions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 126
- 210000002200 mouth mucosa Anatomy 0.000 title claims abstract description 103
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000003628 erosive effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 206010003694 Atrophy Diseases 0.000 claims description 8
- 206010017711 Gangrene Diseases 0.000 claims description 8
- 206010028851 Necrosis Diseases 0.000 claims description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 206010030113 Oedema Diseases 0.000 claims description 8
- 206010039509 Scab Diseases 0.000 claims description 8
- 208000025865 Ulcer Diseases 0.000 claims description 8
- 206010000269 abscess Diseases 0.000 claims description 8
- 230000037444 atrophy Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 8
- 230000017074 necrotic cell death Effects 0.000 claims description 8
- 231100000241 scar Toxicity 0.000 claims description 8
- 230000008961 swelling Effects 0.000 claims description 8
- 231100000397 ulcer Toxicity 0.000 claims description 8
- 230000024883 vasodilation Effects 0.000 claims description 8
- 239000008187 granular material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 206010000496 acne Diseases 0.000 claims description 3
- 230000009854 mucosal lesion Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 13
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 31
- 238000002372 labelling Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 10
- 241000519995 Stachys sylvatica Species 0.000 description 9
- 238000011282 treatment Methods 0.000 description 6
- 208000032544 Cicatrix Diseases 0.000 description 5
- 206010015150 Erythema Diseases 0.000 description 5
- 206010054107 Nodule Diseases 0.000 description 5
- 206010033733 Papule Diseases 0.000 description 5
- 206010037888 Rash pustular Diseases 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 231100000321 erythema Toxicity 0.000 description 5
- 230000019612 pigmentation Effects 0.000 description 5
- 208000029561 pustule Diseases 0.000 description 5
- 230000037387 scars Effects 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 201000000306 sarcoidosis Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种口腔黏膜病损辅助诊断系统，该系统利用多尺度Retinex、自适应直方图均衡化及自适应色阶和对比度图像增强算法对口腔黏膜病损图像进行预处理，由口腔黏膜专科医生采用LabelImg对病损特征进行手工提取和标记，建立YOLOv8模型并对模型进行训练，将训练后的模型用于实现对口腔黏膜病损的辅助诊断。本发明能够有效提高口腔黏膜病损图像视觉质量，辅助医师进行疾病诊断，减少因图像失真导致的误诊和漏诊。
Description
技术领域
本发明涉及口腔黏膜病学以及深度学习目标检测领域，具体涉及一种口腔黏膜病损辅助诊断系统和方法。
背景技术
口腔黏膜疾病是涵盖多种类型且发病率较高的疾病，对患者的生活和生产活动均会造成严重影响。多数口腔黏膜疾病为慢性病程，初次就诊后仍需要定期复诊，根据病情变化及时调整治疗方案。传统的诊疗模式是由专科医生开展临床检查，作出诊断并制定治疗计划。由于口腔黏膜疾病的病损情况复杂且形态各异，非专科医生往往难以对病损作出准确的判断。然而，口腔黏膜专科医师数量少，所在地区较为集中，这使得医疗资源相对匮乏地区的患者就诊需求无法得到满足。因此，远程诊疗模式的普及具有重要的现实意义。在远程诊疗的实施过程中，医生需要依靠患者上传的病历资料进行诊断和治疗，其中病损照片是至关重要的信息。然而，由于患者在家中缺乏专业的拍摄设备，照片往往存在模糊、光线过暗或过度曝光等情况。特别是光线问题导致的颜色失真，即使通过调整亮度、对比度等手段，仍然难以准确地呈现病损的形态和累及范围，这可能会导致严重的误诊或是漏诊。
深度学习通过多层神经网络的组合和训练，对复杂图像进行高级特征的提取，实现准确的图像识别和分类，为医生提供重要的辅助诊断依据。图像增强技术能够改善图像质量，突出病损特征，其在辅助诊断领域的应用可以有效减少因图像失真而导致的医疗问题，从而更好地服务患者。因此，本发明为一种基于图像增强算法和YOLOv8目标检测模型的口腔黏膜病损辅助诊断方法。
发明内容
本发明提供一种口腔黏膜病损辅助诊断系统和方法，该系统和方法利用多尺度Retinex、自适应直方图均衡化或自适应色阶和对比度图像增强算法提高口腔黏膜病损图像的视觉质量，并采用LabelImg对口腔黏膜病损特征进行提取和标记，建立YOLOv8模型并对模型进行训练，将训练后的模型用于实现对口腔黏膜病损的辅助诊断。
本发明所采用的技术方案是：
1.一种口腔黏膜病损辅助诊断系统，其特征在于，包括以下模块：
图像获取模块，其用于获取待诊患者的包含口腔黏膜病损的图像；
图像预处理模块，其用于对图像获取模块获取的图像进行图像增强处理；
检测模块，其用于对经图像预处理模块处理的图像进行计算，从而确定口腔黏膜病损部位及其种类。
2.根据项1所述的系统，其特征在于，所述图像增强采用多尺度Retinex、自适应直方图均衡化或自适应色阶和对比度图像增强算法。
3.根据项1所述的系统，其特征在于，在检测模块中，预先存储有基于现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像而建立的用于确定口腔黏膜病损部位及其种类的模型。
4.根据项3所述的系统，其特征在于，在检测模块中，将待诊患者的经图像预处理模块处理的图像代入所述模型进行计算。
5.根据项3所述的系统，其特征在于，所述模型的建立包括对现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像进行特征标注，并基于所标注的特征进行训练以建立所述模型。
6.根据项5所述的系统，其特征在于，特征标注采用LabelImg标注工具。
7.根据项5所述的系统，其特征在于，特征标注由口腔黏膜专科医师手工操作。
8.根据项3所述的系统，其特征在于，所述模型是YOLOv8模型。
9.根据项1所述的系统，其特征在于，所述口腔黏膜病损选自以下的一种或多种：斑、斑块与斑片、丘疹、花纹、疱、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。
10.根据项1所述的系统，其特征在于，采用数码相机获取待诊患者的包含口腔黏膜病损的图像。
11.一种口腔黏膜病损辅助诊断方法，其特征在于，包括以下步骤：
图像获取步骤，其获取待诊患者的包含口腔黏膜病损的图像；
图像预处理步骤，其对图像获取步骤获取的图像进行图像增强处理；
检测步骤，其对经图像预处理步骤处理的图像进行计算，从而确定口腔黏膜病损部位及其种类。
12.根据项11所述的方法，其特征在于，所述图像增强采用多尺度Retinex、自适应直方图均衡化或自适应色阶和对比度图像增强算法。
13.根据项11所述的方法，其特征在于，在检测步骤中，使用基于现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像而建立的用于确定口腔黏膜病损部位及其种类的模型。
14.根据项13所述的方法，其特征在于，在检测步骤中，将待诊患者经图像预处理步骤处理的图像代入所述模型进行计算。
15.根据项13所述的方法，其特征在于，所述模型的建立包括对现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像进行特征标注，并基于所标注的特征进行训练以建立所述模型。
16.根据项15所述的方法，其特征在于，特征标注采用LabelImg标注工具。
17.根据项15所述的方法，其特征在于，特征标注由口腔黏膜专科医师手工操作。
18.根据项13所述的方法，其特征在于，所述模型是YOLOv8模型。
19.根据项11所述的方法，其特征在于，所述口腔黏膜病损选自以下的一种或多种：斑、斑块与斑片、丘疹、花纹、疱、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。
20.根据项11所述的方法，其特征在于，采用数码相机获取待诊患者的包含口腔黏膜病损的图像。
值得注意的是，本发明用于训练模型的特征标注由口腔黏膜专科医师手工操作，以保证病损标注的准确性。
与现有技术相比，本发明具有以下有益效果：
1)目前口腔黏膜病损的判读高度依赖于专科医师人眼识别，人力成本高，且存在因图像失真或主观因素导致的误差概率。而市面上极度缺乏可供选择的计算机辅助诊断系统，本发明的系统和方法能够对种类繁多，形态各异的口腔黏膜病损进行识别，准确率高，反应迅速，效率明显高于人工判读。
2)本发明通过多尺度Retinex、自适应直方图均衡化或自适应色阶和对比度图像增强算法，突出显示病损纹理和病变范围，与其他图像预处理方式相比，对发生在口腔黏膜的各类病损具有特异性的增益效果，解决了图像失真问题，达到加强视觉注意力的目的。
3)使用上述图像增强算法方法预处理后的图像直观，临床医师容易理解。能够辅助临床医师辨别颜色浅淡易混淆的白色病损，捕捉图片阴影区中的易遗漏病损，同时，由于口腔黏膜颜色粉红，对于传统图像增强技术难以改善的红色病损，上述方法具有尤其出色的辅助诊断作用。
4)本发明图像特征标注环节由口腔黏膜专科医师进行操作，为模型训练提供了准确的数据基础。
5)本发明采用YOLOv8模型对口腔黏膜病损的高级特征进行提取和训练，结合图像增强技术，实现图像识别和分类。能够辅助医师进行口腔黏膜病损的诊断，降低因图片质量不佳导致的漏诊率和误诊率，为人工智能辅助口腔黏膜疾病的诊断提供了新思路。
附图说明
图1为本发明技术路线图；
图2以糜烂病损为例展示图像增强前后对比图；
图3以充血病损+糜烂病损为例展示图像增强对易遗漏病损的辅助诊断作用；
图4以结节病损+糜烂病损为例展示图像增强对相似病损鉴别的辅助诊断作用；
图5为本发明模型性能评价结果；
图6为本发明对待诊患者辅助诊断案例。
具体实施方式
下面结合实施例进一步说明本申请，应当理解，实施例仅用于进一步说明和阐释本申请，并非用于限制本申请。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
本申请提供一种口腔黏膜病损辅助诊断系统，包括以下模块：
图像获取模块，其用于获取待诊患者的包含口腔黏膜病损的图像；
图像预处理模块，其用于对图像获取模块获取的图像进行图像增强处理；
检测模块，其用于对经图像预处理模块处理的图像进行计算，从而确定口腔黏膜病损部位及其种类。
在图像获取模块中，获取待诊患者的包含口腔黏膜病损的图像可以采用本领域已知的各种设备，如数码相机等。
口腔黏膜病损的种类选自以下的一种或多种：斑、斑块与斑片(包括红斑、白斑、黑斑和色素沉着)、丘疹、花纹、疱(包括水疱、血疱和脓疱)、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。
在图像预处理模块中，对于图像获取模块获取的图像进行增强处理。其中增强处理可以采用本领域已知的各种算法，例如多尺度Retinex、自适应直方图均衡化及自适应色阶和对比度图像增强算法。
其中，Retinex理论是一种颜色恒常知觉的计算理论，认为物体的颜色是由物体对光线的反射能力决定的，其色彩具有一致性。多尺度Retinex方法优于单尺度Retinex方法，能够实现图像动态范围的压缩，较好地保持色感的一致性。本发明图像增强过程中，选择最大尺度为200，尺度数为3。
多尺度Retinex图像增强算法能够解决图像失真问题，突出显示病损纹理和病变范围，达到加强视觉注意力的目的。对于传统图像增强技术难以改善的粉红色黏膜上的红色病损，和图片阴影区中容易遗漏的病损，有明显的辅助诊断作用。
在图像增强算法中，自适应具有更好的普适性和鲁棒性。自适应直方图均衡化将图片分割成多个小块，在各个小块内重新分配图像灰度级别，对于图片细节有更好的增强对比度的效果。自适应色阶能够依据每个通道最暗和最亮处自定义黑白，按比例分配像素值。自适应对比度增强将图像的低频部分与高频部分进行区分，对图像中原始对比度较弱的低频部分进行明显的增强，对原始对比度较强的高频部分做尽量少的处理。本发明图像增强过程中，水平分块数和垂直分块数均为8。
在检测模块中，预先存储有基于现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像而建立的用于确定口腔黏膜病损部位及其种类的模型。将待诊患者的经图像预处理模块处理的图像代入所述模型进行计算，便可以确定口腔黏膜病损部位及其种类。该确定的口腔黏膜病损部位及其种类可帮助口腔医师进行辅助诊断。
其中，口腔黏膜病损的种类如上所述，可以选自以下的一种或多种：斑、斑块与斑片(包括红斑、白斑、黑斑和色素沉着)、丘疹、花纹、疱(包括水疱、血疱和脓疱)、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。
所述模型的建立可以包括以下步骤：
对现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像进行特征标注；
基于所标注的特征进行训练以建立所述模型。
其中特征标注可以采用本领域各种已知的标注工具进行，例如LabelImg标注工具。其中，LabelImg是一款在线的深度学习图像分割标注工具，可实现矩形和多边形等标注方式。
在进行特征标注时，由口腔黏膜专科医师手工操作，这样可以保证对口腔黏膜病损标注的准确性。
建立的模型可以是本领域已知的各种图像计算模型，例如YOLOv8模型。YOLOv8能够提供当下最为高精度和快速的目标检测和实例分割性能，尤其适合对口腔黏膜病损同时进行定位和定性。
本申请还提供一种口腔黏膜病损辅助诊断方法，包括以下步骤：
图像获取步骤，其获取待诊患者的包含口腔黏膜病损的图像；
图像预处理步骤，其对图像获取步骤获取的图像进行图像增强处理；
检测步骤，其对经图像预处理步骤处理的图像进行计算，从而确定口腔黏膜病损部位及其种类。
在图像获取模块中，获取待诊患者的包含口腔黏膜病损的图像可以采用本领域已知的各种设备，如数码相机等。
口腔黏膜病损的种类选自以下的一种或多种：斑、斑块与斑片(包括红斑、白斑、黑斑和色素沉着)、丘疹、花纹、疱(包括水疱、血疱和脓疱)、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。
在图像预处理步骤中，对于图像获取模块获取的图像进行增强处理。其中增强处理可以采用本领域已知的各种算法，例如多尺度Retinex、自适应直方图均衡化或自适应色阶和对比度图像增强算法。
在检测步骤中，使用基于现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像而建立的用于确定口腔黏膜病损部位及其种类的模型。将待诊患者的对经图像预处理模块处理的图像代入所述模型进行计算，便可以确定口腔黏膜病损部位及其种类。该确定的口腔黏膜病损部位及其种类可帮助口腔医师进行辅助诊断。
其中，口腔黏膜病损的种类如上所述，可以选自以下的一种或多种：斑、斑块与斑片(包括红斑、白斑、黑斑和色素沉着)、丘疹、花纹、疱(包括水疱、血疱和脓疱)、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。
所述模型的建立可以包括以下步骤：
对现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像进行特征标注；
基于所标注的特征进行训练以建立所述模型。
其中特征标注可以采用本领域各种已知的标注工具进行，例如LabelImg标注工具。在进行特征标注时，由口腔黏膜专科医师手工操作，这样可以保证对口腔黏膜病损标注的准确性。
建立的模型可以是本领域已知的各种图像计算模型，例如YOLOv8模型。
实施例
如图1所示，一种口腔黏膜病损识别方法，包括以下步骤：
步骤1，收集2020年1月至2023年11月于首都医科大学附属北京口腔医院口腔黏膜科就诊患者包含口腔黏膜病损的图像，由口腔黏膜专科医师在临床工作中用数码相机拍摄，病损包括但不局限于斑、斑块与斑片(包括红斑、白斑、黑斑和色素沉着)、丘疹、花纹、疱(包括水疱、血疱和脓疱)、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。基于这些收集的图像建立口腔黏膜病损数据库。
步骤2，对步骤1得到口腔黏膜病损图像进行预处理。在实施例中，选择临床工作中常见的，非专科医师难以辨别的三种类型的病损进行模型训练，分别是：糜烂，花纹和白斑。其中，糜烂为主的病损采用多尺度Retinex方法图像增强，花纹为主的病损采用自适应直方图均衡化图像增强，白斑为主的病损采用自适应色阶和对比度图像增强。
图2-图4分别显示其中一个患者的图像增强效果示意图。
如图2所示，经图像增强后，牙龈上的糜烂病损被突出显示，病变部位纹理清晰，累及范围明确。
如图3所示，经图像增强后，牙龈上的充血病损被突出显示，同时，值得注意的是，未经处理的图片(左图)中，肉眼观察难以发现左侧阴影里的糜烂病损(方框标注)，经图像增强后，该病损暴露，降低了漏诊率。
如图4所示，未经处理的图片(左图)中黑色方框里的两个病损图像相似度高，经图像增强后，能够鉴别左侧白色方框内为结节病损，右侧白色方框内为糜烂病损，说明该方法对于相似病损的鉴别有很好的辅助作用。
步骤3，在LabelImg软件中对步骤2预处理后的图像进行特征标注，划分训练集220张和验证集65张。其中，糜烂病损(erosion)使用70张图像作为训练集，20张图像作为验证集；花纹病损(LP)使用70张图像作为训练集，20张图像作为验证集；白斑病损(LK)使用80张图像作为训练集，25张图像作为验证集。
其中，上述训练集220张和验证集65张用于训练模型的全部图像特征提取均由口腔黏膜专科医师完成，确保标注的准确性。
步骤4，建立基于YOLOv8模型的口腔黏膜病损目标识别网络，利用步骤3中的标记文件对网络进行训练，得到口腔黏膜病损目标检测模型。
步骤5，读取训练过程中的混淆矩阵、精确度、召回率、F1值、准确度、训练时间等指标，评估模型性能。
图5展示模型的部分性能，左图为F1曲线，F1值是综合考虑精确度和召回率的指标，显示了不同分类随置信度的升高F1值的变化情况；右图为PR曲线，显示了模型精确率和召回率之间的关系。
步骤6，对待诊患者口腔黏膜进行数码相机拍摄，以获取患者的包含口腔黏膜病损的图像。将待诊患者的包含口腔黏膜病损的图像进行适宜算法图像增强预处理。
步骤7，将预处理的待诊患者口腔黏膜病损图像输入步骤4中训练好的口腔黏膜病损目标检测模型中，进行图像识别和分类，并对口腔黏膜病损辅助诊断效果进行评估。
具体地，使用模型对38个待诊患者包含口腔黏膜病损的图像进行目标检测，标记病损区域并显示病损名称的平均用时74.3ms/张。其中，37张图像被正确检测出病损，准确率高达97.4％。由专科医师阅片、标记病损范围并输入诊断的时间至少为10s/张，因此，与人工判读相比，该模型在保证目标准确率的基础上，目标检测效率大幅提高。
图6展示了本发明对两个待诊患者的辅助诊断案例，左图为单一种类多处病损，每一处病损均被训练好的模型自动识别，并分类为白斑，置信度为0.71至0.82。右图为多种类多处病损，每一处病损均被训练好的模型自动识别，并分类为糜烂和花纹，置信度为0.51至0.89。
尽管上文结合附图对本发明的优选实施方案进行了描述，但上述方式仅仅是示意性的，本发明并不局限于上述的具体实施方式。本领域技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，可以做出多种实施方式，均属于本发明的保护范围之内。
Claims (10)
1.一种口腔黏膜病损辅助诊断系统，其特征在于，包括以下模块：
图像获取模块，其用于获取待诊患者的包含口腔黏膜病损的图像；
图像预处理模块，其用于对图像获取模块获取的图像进行图像增强处理；
检测模块，其用于对经图像预处理模块处理的图像进行计算，从而确定口腔黏膜病损部位及其种类。
2.根据权利要求1所述的系统，其特征在于，所述图像增强采用多尺度Retinex、自适应直方图均衡化或自适应色阶和对比度图像增强算法。
3.根据权利要求1所述的系统，其特征在于，在检测模块中，预先存储有基于现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像而建立的用于确定口腔黏膜病损部位及其种类的模型。
4.根据权利要求3所述的系统，其特征在于，在检测模块中，将待诊患者的经图像预处理模块处理的图像代入所述模型进行计算。
5.根据权利要求3所述的系统，其特征在于，所述模型的建立包括对现有口腔黏膜病损数据库中患者的包含口腔黏膜病损的图像进行特征标注，并基于所标注的特征进行训练以建立所述模型。
6.根据权利要求5所述的系统，其特征在于，特征标注采用LabelImg标注工具。
7.根据权利要求5所述的系统，其特征在于，特征标注由口腔黏膜专科医师手工操作。
8.根据权利要求3所述的系统，其特征在于，所述模型是YOLOv8模型。
9.根据权利要求1所述的系统，其特征在于，所述口腔黏膜病损选自以下的一种或多种：斑、斑块与斑片、丘疹、花纹、疱、溃疡、糜烂、充血、肿胀、水肿、裂隙、窦道、脓肿、颗粒、血管扩张、导管口扩张、结节、肿瘤、萎缩、皲裂、皱褶、瘢痕、假膜、痂、鳞屑、坏死和坏疽。
10.根据权利要求1所述的系统，其特征在于，采用数码相机获取待诊患者的包含口腔黏膜病损的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410017553.1A CN117747091A (zh) | 2024-01-04 | 2024-01-04 | 一种口腔黏膜病损辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410017553.1A CN117747091A (zh) | 2024-01-04 | 2024-01-04 | 一种口腔黏膜病损辅助诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117747091A true CN117747091A (zh) | 2024-03-22 |
Family
ID=90281360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410017553.1A Pending CN117747091A (zh) | 2024-01-04 | 2024-01-04 | 一种口腔黏膜病损辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117747091A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113989833A (zh) * | 2021-09-30 | 2022-01-28 | 西安工业大学 | 一种基于EfficientNet网络的口腔粘膜性疾病识别方法 |
| CN114203294A (zh) * | 2020-08-28 | 2022-03-18 | 上海交通大学医学院附属第九人民医院 | 口腔黏膜病检测模型构建和预测方法、装置、终端及介质 |
| CN114399621A (zh) * | 2021-11-05 | 2022-04-26 | 首都医科大学附属北京口腔医院 | 一种基于深度学习的口腔疾病识别系统 |
| CN116824333A (zh) * | 2023-06-21 | 2023-09-29 | 中山大学附属第一医院 | 一种基于深度学习模型的鼻咽癌检测系统 |
-
2024
- 2024-01-04 CN CN202410017553.1A patent/CN117747091A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114203294A (zh) * | 2020-08-28 | 2022-03-18 | 上海交通大学医学院附属第九人民医院 | 口腔黏膜病检测模型构建和预测方法、装置、终端及介质 |
| CN113989833A (zh) * | 2021-09-30 | 2022-01-28 | 西安工业大学 | 一种基于EfficientNet网络的口腔粘膜性疾病识别方法 |
| CN114399621A (zh) * | 2021-11-05 | 2022-04-26 | 首都医科大学附属北京口腔医院 | 一种基于深度学习的口腔疾病识别系统 |
| CN116824333A (zh) * | 2023-06-21 | 2023-09-29 | 中山大学附属第一医院 | 一种基于深度学习模型的鼻咽癌检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张善文: "《图像模式识别》", vol. 1, 29 February 2020, 西安电子科技大学出版社, pages: 33 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mira et al. | Early diagnosis of oral cancer using image processing and artificial intelligence | |
| CN110600122B (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
| CN106023151B (zh) | 一种开放环境下中医舌象目标检测方法 | |
| CN109635871B (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
| CN105657580B (zh) | 一种胶囊内镜视频摘要生成方法 | |
| CN111508016B (zh) | 一种基于图像处理的白癜风区域色度值和面积计算的方法 | |
| CN112465766A (zh) | 扁平、微小息肉图像识别方法 | |
| CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
| CN115049666B (zh) | 基于彩色小波协方差深度图模型的内镜虚拟活检装置 | |
| CN115115598B (zh) | 一种基于全局Gabor滤波和局部LBP特征喉癌细胞图像分类方法 | |
| CN115965607A (zh) | 一种智能中医舌诊辅助分析系统 | |
| Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
| US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
| CN117747091A (zh) | 一种口腔黏膜病损辅助诊断系统 | |
| CN116797828A (zh) | 一种口腔全景片处理方法、装置及可读储介质 | |
| WO2019092723A1 (en) | System and method for determining pathological status of a laryngopharyngeal area in a patient | |
| CN113658193B (zh) | 基于信息融合的肝脏ct影像肿瘤分割方法 | |
| CN113241182B (zh) | 一种用于识别舌头苔形、苔质数学模型的构建方法 | |
| CN112750530A (zh) | 一种模型的训练方法、终端设备和存储介质 | |
| CN115937215B (zh) | 基于人工智能的津液分析苔质方法 | |
| CN118212235B (zh) | 一种胶囊内窥镜图像筛选方法及系统 | |
| CN109658382A (zh) | 基于图像聚类和灰度投影的舌体定位方法 | |
| CN118674715B (zh) | 基于人工智能的消化内镜检查质量控制系统及方法 | |
| TWI807809B (zh) | 利用深度學習之卷積神經網路輔助辨識牙周病及齲齒之系統、電腦程式及電腦可讀取媒體 | |
| LU505761B1 (en) | Method for collecting complex high-dimensional multimodal anomalous data based on oral cancer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |