基于智能手机图像的口腔病变分割新模型 OralSegNet 助力早期诊断

研究人员开发 DL 模型 OralSegNet 分割口腔病变，效果优，利于早期诊断。

　　早期检测口腔疾病（包括但不局限于癌症）对于改善治疗效果至关重要。从背景中分割出这些病变是诊断过程中的关键一步，有助于临床医生确定患病区域，提高深度学习（DL）模型的准确性。本研究旨在开发一种基于深度学习的解决方案，利用智能手机拍摄的图像对口腔病变进行分割。研究设计了一种新型基于 UNet 的模型 OralSegNet，该模型将 EfficientNetV2L 作为编码器，并结合空洞空间金字塔池化（ASPP）和残差块，以提高分割精度。数据集包含 538 张原始图像，平均分辨率为 1394×1524 像素，以及相应的口腔病变注释图像。这些图像经过预处理并调整大小为 256×256 像素，同时采用数据增强技术来增强模型的稳健性。该模型在验证和测试阶段的 Dice 系数分别达到 0.9530 和 0.8518，交并比（IoU）分数分别为 0.9104 和 0.7550，优于传统和最先进的模型。尽管该模型参数多达 1.0446 亿，但高效的架构使其浮点运算次数（FLOPS）最低，仅为 34.30 GFLOPs。鉴于智能手机的广泛普及，OralSegNet 为临床医生提供了一种经济高效的非侵入性卷积神经网络（CNN）模型，即使在农村地区也能实现早期诊断。