基于深度学习的口腔病灶智能识别系统的制作方法

本技术涉及医学图像处理领域，具体涉及基于深度学习的口腔病灶智能识别系统。

背景技术：

1、在口腔疾病的临床诊断与筛查中，基于手持采集设备的口腔黏膜成像技术被广泛应用。然而，由于口腔内部环境复杂，湿润的黏膜表面极易产生镜面反射，且唾液的存在会形成气泡或拉丝状高亮区域。这些光学干扰因素在图像上表现为与病灶相似的高亮或纹理异常特征，严重干扰了后续图像处理算法的特征提取。现有的病灶识别系统通常采用通用的图像增强或单一的深度学习分割模型，难以有效区分真实的病灶边缘与由反光、唾液引起的伪影边缘，导致病灶分割结果中存在大量误检或边界模糊，降低了智能识别的准确性与临床可用性。

技术实现思路

1、针对现有技术存在的口腔黏膜图像中镜面反射与唾液干扰导致病灶识别准确率低的问题，本技术通过基于深度学习的口腔病灶智能识别系统，实现了对复杂口腔环境下病灶区域的精准分割与识别。

2、为实现上述目的，本技术采用如下技术方案：

3、基于深度学习的口腔病灶智能识别系统，包括：至少一个处理器；以及，

4、与至少一个处理器通信连接的存储器；其中，

5、存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行：

6、获取手持采集设备在预设采集时长内连续采集的多帧口腔黏膜图像；计算各帧口腔黏膜图像中各局部窗口的纹理熵值，得到各帧对应的纹理熵图；基于相邻帧纹理熵图之间的差值和对应帧的亮度图，标记各帧中的镜面反射区域；针对各帧镜面反射区域中的各目标像素位置，从多帧口腔黏膜图像中选取目标像素位置处纹理熵值最大的帧作为填补源帧，利用填补源帧中对应位置的像素值替换当前帧中目标像素位置的像素值，得到各帧对应的反射抑制图像；在反射抑制图像上，基于候选圆形区域的边缘梯度径向对称度和区域内部纹理熵值检测唾液气泡区域；基于细长高亮区域两侧梯度方向的对向性检测唾液拉丝区域；将唾液气泡区域和唾液拉丝区域合并生成干扰掩膜；根据干扰掩膜中各干扰区域的类型，对反射抑制图像中干扰区域边缘的梯度幅值进行差异化衰减处理，得到干扰抑制图像；将干扰抑制图像和干扰掩膜共同输入预训练的病灶分割网络，得到口腔病灶识别结果。

7、可选的，基于相邻帧纹理熵图之间的差值和对应帧的亮度图，标记各帧中的镜面反射区域，包括：计算相邻两帧纹理熵图的逐像素差值绝对值，得到纹理熵波动图；将纹理熵波动图中像素值大于预设波动阈值的区域标记为纹理不稳定区域；在纹理不稳定区域中，筛选当前帧亮度图中亮度值大于预设亮度阈值的像素位置，将筛选出的像素位置所在的连通区域标记为镜面反射区域。

8、可选的，计算各帧口腔黏膜图像中各局部窗口的纹理熵值，包括：以预设窗口尺寸和预设步长在口腔黏膜图像上滑动，得到各局部窗口；统计各局部窗口内像素灰度值的灰度直方图，并基于灰度直方图计算各灰度级的出现概率；基于各灰度级的出现概率计算各局部窗口的信息熵，得到纹理熵值；将各局部窗口的纹理熵值赋值至对应窗口中心像素位置，生成纹理熵图。

9、可选的，从多帧口腔黏膜图像中选取目标像素位置处纹理熵值最大的帧作为填补源帧之后，还包括：判断填补源帧中目标像素位置处的纹理熵值是否大于预设纹理熵下限；若大于预设纹理熵下限，则执行利用填补源帧中对应位置的像素值替换当前帧中目标像素位置的像素值的步骤；若不大于预设纹理熵下限，则以目标像素位置为中心在当前帧已完成填补的像素位置中搜索预设半径范围内的有效邻域像素，基于有效邻域像素的像素值进行双线性插值，得到插值像素值，并利用插值像素值替换当前帧中目标像素位置的像素值。

10、可选的，基于候选圆形区域的边缘梯度径向对称度和区域内部纹理熵值检测唾液气泡区域，包括：对反射抑制图像进行自适应阈值分割，提取各闭合轮廓作为候选轮廓；筛选候选轮廓中圆度大于预设圆度阈值且面积处于预设面积范围内的候选轮廓，得到候选圆形区域；计算各候选圆形区域内部像素的纹理熵值，得到区域内部纹理熵；计算各候选圆形区域的边缘上各采样点的梯度方向与该采样点指向区域中心的方向之间的夹角偏差，将各采样点的夹角偏差的标准差作为边缘梯度径向对称度；将区域内部纹理熵小于预设内部熵阈值且边缘梯度径向对称度小于预设对称度阈值的候选圆形区域确认为唾液气泡区域。

11、可选的，基于细长高亮区域两侧梯度方向的对向性检测唾液拉丝区域，包括：对反射抑制图像进行方向梯度滤波，提取宽度小于预设宽度阈值且长度大于预设长度阈值的线状高亮区域；沿各线状高亮区域的中心线，在中心线两侧预设距离处分别采样，得到左侧采样点序列和右侧采样点序列；计算左侧采样点序列中各采样点的梯度方向与右侧采样点序列中对应采样点的梯度方向之间的夹角，得到对向夹角序列；计算对向夹角序列的均值，将均值大于预设对向阈值的线状高亮区域确认为唾液拉丝区域。

12、可选的，根据干扰掩膜中各干扰区域的类型，对反射抑制图像中干扰区域边缘的梯度幅值进行差异化衰减处理，包括：对干扰掩膜中的唾液气泡区域，计算气泡边缘各像素到气泡中心的方向向量，将反射抑制图像中气泡边缘预设宽度范围内各像素沿方向向量的梯度分量乘以第一衰减系数，得到气泡区域修正梯度；第一衰减系数随像素到气泡边缘距离的增大而增大；对干扰掩膜中的唾液拉丝区域，计算拉丝中心线的切线方向，将反射抑制图像中拉丝区域预设宽度范围内各像素沿垂直于切线方向的梯度分量乘以第二衰减系数，同时保留沿切线方向的梯度分量不变，得到拉丝区域修正梯度；基于气泡区域修正梯度和拉丝区域修正梯度替换反射抑制图像中对应区域的原始梯度，重建得到干扰抑制图像。

13、可选的，病灶分割网络包括特征提取主干网络、干扰位置编码模块和分割头；将干扰抑制图像和干扰掩膜共同输入预训练的病灶分割网络，得到口腔病灶识别结果，包括：将干扰抑制图像输入特征提取主干网络，提取得到多尺度特征图；将干扰掩膜下采样至与多尺度特征图匹配的空间尺寸后输入干扰位置编码模块，生成干扰位置编码特征；将干扰位置编码特征与多尺度特征图进行逐元素相加融合，得到融合特征图；将融合特征图输入分割头进行上采样和分类，得到口腔病灶识别结果。

14、可选的，干扰位置编码模块生成干扰位置编码特征的过程包括：对下采样后的干扰掩膜进行距离变换，得到各像素到最近干扰区域边界的距离值，生成距离变换图；将距离变换图通过卷积层映射为与多尺度特征图通道数相同的特征张量；对特征张量中对应干扰区域内部的通道值施加负向偏置，对对应干扰区域外部的通道值施加正向偏置，得到干扰位置编码特征。

15、可选的，获取手持采集设备在预设采集时长内连续采集的多帧口腔黏膜图像，包括：控制手持采集设备在预设采集时长内以预设帧率连续采集图像，得到初始图像序列；计算初始图像序列中相邻帧之间的全局位移量；筛选全局位移量处于预设位移范围内的相邻帧对，保留对应的帧，得到多帧口腔黏膜图像；其中，预设位移范围的上限保证相邻帧之间的视场重叠率大于预设重叠率阈值。

16、有益效果：

17、本技术通过多帧纹理熵分析与亮度联合判定，能够精准定位镜面反射区域，并利用时序信息中纹理最清晰的帧进行像素级填补，从源头上恢复了被反光遮蔽的黏膜纹理细节，避免了单帧修复带来的信息丢失或模糊。在此基础上，结合边缘梯度径向对称度与内部纹理熵检测唾液气泡，利用两侧梯度对向性检测唾液拉丝，实现了对不同类型唾液干扰的精细化区分；进而根据干扰类型对边缘梯度进行差异化衰减处理，在抑制伪影梯度的同时保留了真实组织的结构梯度，显著降低了干扰因素对分割网络的误导。进一步地，通过干扰位置编码模块将干扰掩膜的距离变换特征融入分割网络，使模型能够显式感知干扰区域的空间分布，增强了网络对病灶与伪影的辨别能力。最后，通过对识别结果边界进行曲率连续性检测与平滑修正，消除了因残留干扰导致的边界锯齿或突变，提升了病灶边界的几何合理性与临床诊断参考价值。