口腔黏膜病检测模型构建和预测方法、装置、终端及介质与流程

1.本发明涉及人工智能模型技术领域，特别是涉及口腔黏膜病检测模型构建和预测方法、装置、终端及介质。


背景技术：

2.人工智能(artificial intelligence，ai)医疗已经成为人工智能最重要的应用领域，越来越成为时下的研究重点。随着机器学习的成熟，基于数百万患者的数据学习，ai将作出更加准确的诊断结果。医疗影像被认为是人工智能最有可能落地的领域之一，疾病的筛查对于民众以及国家均具有重要的意义，而影像学检查是疾病早筛查的重要环节。ai医疗的引入有助于提升影像科的工作效率，减轻医务人员的工作负担，减少误诊漏诊现象的发生，为大规模疾病的早期筛查提供有力的技术支持。图像识别是深度学习等ai技术进步最快的领域之一，卷积神经网络(cnn)等通过感受野和权值共享减少了神经网络的参数，超越了传统方法的图像识别性能。
3.通过国内外“ai+医疗”研究现状的调研和分析，可以发现较多的研究工作主要集中在肺部、脑部、心脏等区域的医疗影像智能分析，有许多研究已经走进医院，成为了医生诊断的得力助手。但是同时，智能医疗行业还存在诸多问题，例如在研究阶段，不同于一般的数据集，甚至大多数有本行业的公共数据集，由于医疗影像数据集包含病人隐私的特殊性，一般很难获取，而且数量很少，这就对深度学习带来了巨大的挑战。加之，医疗数据集需要专业医生进行标注，费事费力，成本极大，这些都严重阻碍了智能医疗的发展。在应用阶段，对系统算法的稳定性，可靠性，可移植性都提出了更为严苛的要求，需要进一步提高和完善。
4.随着美国斯坦福大学论文“深度学习皮肤癌诊断达专家水平”于2017年报道以来，人工智能再一次引起各界广泛关注，人工智能与医学的跨界合作，可提高医生工作效率和诊断的准确率。近年来，人工智能在皮肤病学界的应用非常广泛，因为皮肤病表现大多位于体表，诸多病种根据皮损特征便可做出快速诊断，且人工智能对图像的学习能力远超人类，使皮肤科成为当前人工智能应用的热点之一。口腔黏膜在结构和功能上与皮肤非常类似，同样，口腔黏膜张口即见、易于观察，因此人工智能对于口腔黏膜病亦能发挥重要作用。
5.虽然目前的人工智能技术在医疗影像处理和辅助诊断方面有了长足的进步，但是针对口腔黏膜病的相关研究比较少。此外，目前鲜有将计算机视觉技术应用于口腔黏膜白色斑纹类疾病(口腔白斑、口腔扁平苔藓/口腔苔藓样损害、口腔白色过角化病)的辅助诊断方面。


技术实现要素：

6.鉴于以上所述现有技术的缺点，本发明的目的在于提供口腔黏膜病检测模型构建和预测方法、装置、终端及介质，用于解决现有技术中的问题。
7.为实现上述目的及其他相关目的，本发明的第一方面提供一种基于机器视觉的口
腔黏膜病检测模型构建方法，包括：采集并标注口腔黏膜斑纹类疾病数据；对所述口腔黏膜斑纹类疾病数据进行增强处理，以生成口腔黏膜斑纹类疾病增强数据；输入所述口腔黏膜斑纹类疾病增强数据，构建口腔黏膜病检测模型；所述口腔黏膜病检测模型用于输出当前患者的疑似病损区分割位置及疾病类型。
8.于本发明的第一方面的一些实施例中，所述采集并标注口腔黏膜斑纹类疾病数据包括：采集口腔黏膜斑纹类疾病病损图像数据；利用图形标注工具，对采集到的口腔黏膜斑纹类疾病病损图像数据标注病损区域位置和疾病种类。
9.于本发明的第一方面的一些实施例中，所述对所述口腔黏膜斑纹类疾病数据进行增强处理的方式包括：对采集到的图形数据进行随机裁剪、水平变换、竖直变换、仿射变换、或者高斯扰动。
10.于本发明的第一方面的一些实施例中，，所述构建口腔黏膜病检测模型，包括利用mask r-cnn模型来构建本实施例中的口腔黏膜病检测模型。
11.于本发明的第一方面的一些实施例中，所述mask r-cnn模型包括具有空间注意力机制的mask r-cnn-s模型。
12.于本发明的第一方面的一些实施例中，所述方法还包括：基于预设的多项指标对所述口腔黏膜病检测模型的准确性进行评价；所述指标包括敏感性、特异性、阳性预测值、阴性预测值。
13.为实现上述目的及其他相关目的，本发明的第二方面提供一种基于机器视觉的口腔黏膜病预测方法，包括：获取当前患者的口腔内膜图像数据；将所获取的当前患者的口腔内膜图像数据输入经过训练的口腔黏膜病检测模型中，以通过所述口腔黏膜病检测模型的输出数据来预测当前患者的病损分割位置及疾病类型。
14.为实现上述目的及其他相关目的，本发明的第三方面提供一种基于机器视觉的口腔黏膜病检测模型构建装置，包括：数据采集模块，用于采集口腔黏膜斑纹类疾病数据；数据标注模块，用于标注口腔黏膜斑纹类疾病数据；数据增强模块，用于对所述口腔黏膜斑纹类疾病数据进行增强处理，以生成口腔黏膜斑纹类疾病增强数据；模型构建模块，用于输入所述口腔黏膜斑纹类疾病增强数据，构建口腔黏膜病检测模型；所述口腔黏膜病检测模型用于输出当前患者的疑似病损区分割位置及疾病类型。
15.为实现上述目的及其他相关目的，本发明的第四方面提供一种基于机器视觉的口腔黏膜病预测装置，包括：图像数据获取模块，用于获取当前患者的口腔内膜图像数据；疾病预测模块，用于将所获取的当前患者的口腔内膜图像数据输入经过训练的口腔黏膜病检测模型中，以通过所述口腔黏膜病检测模型的输出数据来预测当前患者的病损分割位置及疾病类型。
16.为实现上述目的及其他相关目的，本发明的第五方面提供一种模型构建终端，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于机器视觉的口腔黏膜病检测模型构建方法。
17.为实现上述目的及其他相关目的，本发明的第六方面提供一种疾病预测终端，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于机器视觉的口腔黏膜病预测方法。
18.为实现上述目的及其他相关目的，本发明的第七方面提供一种计算机可读存储介
质，其上存储有第一计算机程序和/或第二计算机程序，其特征在于，所述第一计算机程序被处理器执行时实现所述基于机器视觉的口腔黏膜病检测模型构建方法；所述第二计算机程序被处理器执行时实现所述的基于机器视觉的口腔黏膜病预测方法。
19.如上所述，本发明的口腔黏膜病检测模型构建和预测方法、装置、终端及介质，具有以下有益效果：本发明将计算机视觉技术应用于口腔黏膜病诊断学，利用计算视觉技术构建口腔粘膜病辅助诊断系统，对口腔白色损害图进行检测、分割和识别，能够帮助医生快速定位口腔黏膜白色损害部位和形态，辅助医生做出诊断，特别适用于未受过口腔黏膜病学专科培训的医生或者患者自检自查。借助计算机辅助诊断有以下优势：
①
计算机视觉技术能强化对医学图像的表达，能够观察口腔白色损害的细微差异，包括部位、颜色、形态、面积等特点，视觉算法能够对图像进行多方位的分析，捕获人眼不易察觉的变化；
②
医生对口腔黏膜病的诊断水平有差异，标准化的视觉模型能够做出更准确、更标准的诊断，减少主观因素的影响；
③
未来具有良好的视觉算法的智能设备可以走进千家万户，走进普通家庭，帮助人们自行监测口腔健康状况，减少医疗支出。
附图说明
20.图1显示为本发明一实施例中基于机器视觉的口腔黏膜病检测模型构建方法流程示意图。
21.图2显示为本发明一实施例中基于机器视觉的口腔黏膜病检测方法的流程示意图。
22.图3显示为本发明一实施例中基于机器视觉的口腔黏膜病检测模型构建装置结构示意图。
23.图4显示为本发明一实施例中基于机器视觉的口腔黏膜病检测装置的结构示意图。
24.图5显示为本发明一实施例中模型构建终端的结构示意图。
25.图6显示为本发明一实施例中疾病预测终端的结构示意图。
具体实施方式
26.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
27.需要说明的是，在下述描述中，参考附图，附图描述了本发明的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本发明。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
28.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
29.再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
30.为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
31.如图1所示，展示了本发明一实施例中基于机器视觉的口腔黏膜病检测模型构建方法的流程示意图，主要包括如下各步骤。
32.应理解的是，本实施例中基于机器视觉的口腔黏膜病检测模型构建方法可应用于arm(advanced risc machines)、fpga(field programmable gate array)、soc(system on chip)、dsp(digital signal processing)、或者mcu(micorcontroller unit)等控制器；也可应用于台式电脑、笔记本电脑、平板电脑、智能手机、智能手环、智能手表、智能头盔、智能电视、个人数字助理(personal digital assistant，简称pda)等个人电脑；还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。
33.步骤s101：采集并标注口腔黏膜斑纹类疾病数据。
34.在一些示例中，采集多例高清口腔黏膜斑纹类疾病病损图像数据，可选影像尺寸为7360
×
4912。对采集到的口腔黏膜斑纹类疾病病损图像数据进行标注，例如由专业医生利用标注工具进行像素级精确标注，标注出病损区域位置和疾病种类。本实施例涉及的标注工具包括但不限于如网页版via2.0.6版本的图像标注工具。
35.在一些示例中，根据前期数据，假设本计算机辅助诊断系统的灵敏度能达到90％且特异度能达到90％，在某一疾病真阳性病例比例为40％的情况下，为使灵敏度和特异度的估计精度(95％置信区间宽度)均能达到12％，则灵敏度至少需要280例样本，特异度至少需要187例样本，所以最终至少需要280例样本。本研究无随访，故不需考虑脱落。因需要对口腔白斑、口腔扁平苔藓/苔藓样损害、白色过角化病分别进行研究，故最终总样本量至少为840例(280
×
3)，仅以此为举例说明而非限定。
36.在一些示例中，为了更好地采集口腔黏膜斑纹类疾病数据，在采集过程中需预先排除一些样本数据，例如年龄18周岁以下或75周岁以上，妊娠或哺乳期妇女，其他口腔粘膜病、肿瘤、精神病患者，患严重心血管或肝肾疾病者等等。
37.步骤s102：对所述口腔黏膜斑纹类疾病数据进行增强处理，以生成口腔黏膜斑纹
类疾病增强数据。由于人工智能模型需要用到的数据量较大，而采集到的标本数据有限，所以为了能使模型更精准，本实施例对所述口腔黏膜斑纹类疾病数据进行增强处理，即扩增数据。
38.在一些示例中，可通过随机裁剪、水平变换、竖直变换、仿射变换、高斯扰动等方式对所述口腔黏膜斑纹类疾病数据进行增强处理，有效弥补了口腔黏膜斑纹类疾病数据量不足的问题，而且扩充后的数据可以很好地满足前期深度神经网络模型的训练。
39.步骤s103：输入所述口腔黏膜斑纹类疾病增强数据，构建口腔黏膜病检测模型；所述口腔黏膜病检测模型用于输出当前患者的疑似病损区分割位置及疾病类型。应理解的是，本发明中的口腔黏膜斑纹类疾病通常有口腔白斑病、口腔扁平苔藓、口腔苔藓样损害、口腔白色过角化病等几种较为常见的疾病。
40.具体来说，口腔白斑病发生于口腔黏膜上以白色为主的损害，不能擦去，也不能以临床和组织病理学的方法诊断为其他可定义的损害，属于癌前病变或者潜在恶性疾患，病理变化是黏膜鳞状上皮增生，表层过度正角化或过度不全角化，或两者同时出现，正角化者粒层明显，约4-5层细胞厚，棘层增厚，基底层排列整齐，固有层内含有少量慢性炎症细胞，黏膜下层及肌层基本正常，黏膜上皮可表现为各种程度的异常增生。口腔扁平苔藓是一种口腔黏膜慢性炎性，临床表现常为口腔黏膜对称网状白色条纹，或伴有充血萎缩糜烂溃疡水疱等损害，黏膜白色条纹或斑块处黏膜上皮表层不全角化，可呈过度角化，黏膜红色部位则无角化，上皮钉突锯齿状增生，固有层以淋巴细胞为主的慢性炎症细胞呈带状浸润，高倍镜下基底层细胞液化变性，圆形或卵圆形均质嗜酸性小体形成，称为西瓦特小体或胶样小体，部分糜烂型病理特征不明显，推荐免疫病理检测，如igg、igm、iga、补体c3、fibrinogin等。所述口腔苔藓样损害的临床表现与口腔扁平苔藓相似，但损害多为单侧或孤立，常有明显诱因，如周围存在银汞充填物、长期服用某种药物，并且去除诱因后病情可好转，病理表现类似于口腔扁平苔藓，但浸润的炎症细胞较杂，可延伸至固有层深部，与药物有关者可表现为血管周围炎，与义齿修复有者有时可见淋巴滤泡形成，血管周围炎症和嗜酸性粒细胞散在浸润，与肉桂相关者可表现为棘层增生。需与口腔扁平苔藓等鉴别，推荐免疫病理检测，如igg、igm、iga、补体c3、fibrinogin等。所述口腔白色过角化病为长期的机械性或化学性刺激所造成的口腔黏膜局部白色角化斑块或斑片，病理表现为黏膜鳞状上皮轻度增生，表层过度正角化或过度不全角化，以过度正角化为主，棘层增厚，或不增厚，上皮钉伸长，固有层无炎症细胞浸润或轻度炎症细胞浸润，包括浆细胞、淋巴细胞。无上皮异常增生。
41.在一些示例中，利用mask r-cnn模型来构建本实施例中的口腔黏膜病检测模型。mask r-cnn模型是继承于faster r-cnn模型，是在faster r-cnn模型上加了一个预测分支(mask prediction branch)，并改良了感兴趣区域(roi pooling)，提出了roi align(区域特征聚集方式)。
42.在一些示例种，针对现有mask r-cnn容易出现口腔白斑误分割的问题，本发明提出了具有空间注意力机制的mask r-cnn-s的口腔白斑分割方法。mask r-cnn-s模型通过引入注意力机制增强了能体现白斑特征的区域，抑制了影响白斑分割的背景区域，很好地解决了传统mask r-cnn分割结果中容易出现口腔黏膜斑纹类疾病误分割的问题。此外该模型通过利用迁移学习方法，使得整个模型达到更好的分割性能。
43.应理解的是，所述注意力机制可以使得神经网络具备专注于其输入(或特征)子集
的能力：选择特定的输入；注意力可以应用于任何类型的输入而不管其形状如何；在计算能力有限情况下，注意力机制(attention mechanism)是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。
44.具有空间注意力机制的mask r-cnn-s模型为多任务深度神经网络模型，通过大数据训练建模，能够对多种口腔黏膜病的病损区域进行分割，并同时能够识别疾病的种类。模型具有很好的鲁棒性，且随着数据量的进一步扩充，准确性在很大程度上得以提升。目前已完成的模型系统在小数量级的测试数据集上的测试结果为：病灶区域分割准确率(miou，即区域交并比)为82.3％，疾病种类识别准确率为91％；此外，基于ai深度学习技术构建的辅助诊断系统的效果高，系统只需要0.5s即可辅助诊断结果，且能够很大程度上降低诊断结果受主观因素的影响。但目前受限于测试数据集较少，为进一步验证辅助诊断系统性能的优越性，仍需进行大样本的临床验证。具体的测试数据如表1所示：
45.表1：mask r-cnn模型测试结果
[0046][0047]
在一些示例中，在构建完口腔黏膜病检测模型后，基于预设的多项指标对所述口腔黏膜病检测模型的准确性进行评价。其中，所述预设的多项指标包括但不限于敏感性、特异性、阳性预测值、阴性预测值等指标。各项指标的具体计算方式如下所示。
[0048][0049][0050][0051][0052][0053]
其中，上述各个公式1)～4)中涉及到的金标准是将临床表现结合病理，临床诊断
参考中华口腔医学会口腔黏膜病专业委员会发布的各疾病的临床诊断标准，病理诊断包括he染色，必要时结合免疫病理，由两名口腔病理科医生进行病理诊断。
[0054]
如图2所示，展示了本发明一实施例中基于机器视觉的口腔黏膜病检测方法的流程示意图。本实施例的口腔黏膜病检测方法使用了经过训练的口腔黏膜病检测模型来输出当前患者的口腔内膜疾病的病损分割位置和疾病类型，所述经过训练的口腔黏膜病检测模型例如可采用上述实施例中经过训练的所述口腔黏膜病检测模型。
[0055]
步骤s201：获取当前患者的口腔内膜图像数据。
[0056]
步骤s202：将所获取的当前患者的口腔内膜图像数据输入经过训练的口腔黏膜病检测模型中，以通过所述口腔黏膜病检测模型的输出数据获取当前患者的病损分割位置及疾病类型。
[0057]
在实际应用阶段，可将本实施例中基于机器视觉的口腔黏膜病检测方法嵌于第三方平台使用，如微信小程序、支付宝平台、平安好医生、甚或抖音、快手等平台。以微信小程序为例，小程序可调用手机摄像头实时拍照或从本地图库中调取病损照片并上传系统，然后调用经过训练的口腔黏膜病检测模型就可以进行疾病预测和诊断。为更便于本领域技术人员理解，小程序使用的基本步骤如下：
[0058]
步骤1)在微信小程序中搜索调用系统的名称，如“智能口腔小助手”，打开该小程序。
[0059]
步骤2)上传待检测与识别的图像，通常有两种方式：第一种方式是上传本地存储的照片，第二种方式是打开手机摄像头进行实时拍摄。然后，将拍摄完成的图片上传到服务器。
[0060]
步骤3)上传完成后，服务器端将会启动辅助诊断系统进行计算处理。
[0061]
步骤4)模型运行结束后，将结果返回到小程序端，给出疑似病损区域的分割位置以及识别的疾病种类。
[0062]
如图3所示，展示了本发明一实施例中基于机器视觉的口腔黏膜病检测模型构建装置的结构示意图。本实施例的口腔黏膜病检测模型构建装置300包括：数据采集模块301、数据标注模块302、数据增强模块303、模型构建模块304。
[0063]
数据采集模块用于采集口腔黏膜斑纹类疾病数据；数据标注模块302数据标注模块302；数据增强模块303用于对所述口腔黏膜斑纹类疾病数据进行增强处理，以生成口腔黏膜斑纹类疾病增强数据；模型构建模块304用于输入所述口腔黏膜斑纹类疾病增强数据，构建口腔黏膜病检测模型；所述口腔黏膜病检测模型用于输出当前患者的疑似病损区分割位置及疾病类型。
[0064]
应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，模型构建模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上模型构建模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上
述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0065]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital signal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
[0066]
另外，本实施例中基于机器视觉的口腔黏膜病检测模型构建装置与上述实施例中基于机器视觉的口腔黏膜病检测模型构建方法的实施方式类似，因此不再赘述。
[0067]
如图4所示，展示了本发明一实施例中基于机器视觉的口腔黏膜病预测装置的结构示意图。本实施例的口腔黏膜病预测装置400包括：图像数据获取模块401和疾病预测模块402。图像数据获取模块401用于获取当前患者的口腔内膜图像数据；疾病预测模块402用于将所获取的当前患者的口腔内膜图像数据输入经过训练的口腔黏膜病检测模型中，以通过所述口腔黏膜病检测模型的输出数据来预测当前患者的病损分割位置及疾病类型。
[0068]
应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，疾病预测模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上疾病预测模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0069]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital signal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
[0070]
另外，本实施例中基于机器视觉的口腔黏膜病预测装置与上述实施例中基于机器视觉的口腔黏膜病预测方法的实施方式类似，因此不再赘述。
[0071]
如图5所示，展示了本发明一实施例中模型构建终端的结构示意图。本实例提供的模型构建终端，包括：处理器51、存储器52、通信器53；存储器52通过系统总线与处理器51和通信器53连接并完成相互间的通信，存储器52用于存储计算机程序，通信器53用于和其他设备进行通信，处理器51用于运行计算机程序，使电子终端执行如上基于机器视觉的口腔
黏膜病检测模型构建方法的各个步骤。
[0072]
上述提到的系统总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0073]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0074]
如图6所示，展示了本发明一实施例中疾病预测终端的结构示意图。本实例提供的疾病预测终端，包括：处理器61、存储器62、通信器63；存储器62通过系统总线与处理器61和通信器63连接并完成相互间的通信，存储器62用于存储计算机程序，通信器63用于和其他设备进行通信，处理器61用于运行计算机程序，使电子终端执行如上基于机器视觉的口腔黏膜病预测方法的各个步骤。
[0075]
上述提到的系统总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0076]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0077]
本发明还提供一种计算机可读存储介质，其上存储有第一计算机程序和/或第二计算机程序，其特征在于，所述第一计算机程序被处理器执行时实现所述基于机器视觉的口腔黏膜病检测模型构建方法；所述第二计算机程序被处理器执行时实现所述的基于机器视觉的口腔黏膜病预测方法。
[0078]
本领域普通技术人员可以理解：于本发明提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、eeprom、cd-rom或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、u盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户
线(dsl)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、dsl或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(cd)、激光光盘、光盘、数字多功能光盘(dvd)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
[0079]
综上所述，本发明提供口腔黏膜病检测模型构建和预测方法、装置、终端及介质，本发明将计算机视觉技术应用于口腔黏膜病诊断学，利用计算视觉技术构建口腔粘膜病辅助诊断系统，对口腔白色损害图进行检测、分割和识别，能够帮助医生快速定位口腔黏膜白色损害部位和形态，辅助医生做出诊断，特别适用于未受过口腔黏膜病学专科培训的医生或者患者自检自查。借助计算机辅助诊断有以下优势：
①
计算机视觉技术能强化对医学图像的表达，能够观察口腔白色损害的细微差异，包括部位、颜色、形态、面积等特点，视觉算法能够对图像进行多方位的分析，捕获人眼不易察觉的变化；
②
医生对口腔黏膜病的诊断水平有差异，标准化的视觉模型能够做出更准确、更标准的诊断，减少主观因素的影响；
③
未来具有良好的视觉算法的智能设备可以走进千家万户，走进普通家庭，帮助人们自行监测口腔健康状况，减少医疗支出。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0080]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。