口腔白斑(OLK)是一种癌前病变,由于其与口腔内健康组织有视觉相似性,导致难以准确区分。目前对OLK的诊断主要来自专业医生的经验,但这种方式效率低,诊断受主观影响大。本文希望通过口腔白斑的自动化分割为医生的诊断提供辅助指导,方便诊断措施的定制,也使患者能够及时发现症状,避免病情恶化。此外,口腔图像数据集的标注需要专业医生,耗费成本高,很大程度上会阻碍研究的进展,而且口腔白斑数据集相对较小,采用目前的弱监督分割方案效果很差。为此,本文针对现有方案的不足,并依据对口腔医学数据集的观察与分析,展开以下研究内容:1.基于全监督学习设计基础分割方法。针对传统Mask R-CNN方法存在误分割和漏分割问题,本文分析这是由于网络的特征提取能力不足,学习到了图像上的无效和错误信息,而注意力机制可以帮助网络增强有效信息的提取,抑制无效和错误信息的提取。因此,本文提出一种基于具有注意力机制的Mask R-CNN口腔白斑分割方法,将卷积块状注意力模块中的空间注意力模块引入Mask R-CNN,使得网络具备对空间上的不同区域重要程度的判断,减少了非白斑区域对网络训练的影响。此外针对口腔医学数据集较小训练效果不佳的问题,本文利用在COCO数据集上训练出来的Mask R-CNN分割模型作为预训练模型,并采用冻结浅层参数更新深层参数的策略,充分利用了预训练模型的分割能力。实验表明,本文方法实现了比传统Mask R-CNN更好的分割性能,有效地解决了误分割和漏分割问题,并生成了最优秀的可供弱监督分割模型参考的全监督模型。2.设计弱监督分割方案。针对口腔白斑标注耗费的人力时间成本很高的问题,本文采用基于框标注的弱监督分割方案。对于这种弱监督分割而言,像素级粗分割处理效率低下、定位能力较差,很大程度上影响了分割模型的训练和分割性能。为了克服这两个缺点,本文提出一种自动化的像素级粗分割生成方法,高效地完成了口腔白斑数据集像素级粗分割生成;提出一种基于具有注意力机制的Mask R-CNN的定位分割协同优化机制,结合了基于框标注的分割网络训练过程和像素级标签迭代过程,充分地利用了框标注的定位能力,有效地实现了白斑区域的精确分割。实验表明,相比于基于像素级粗分割训练的模型,基于框标注训练的模型性能提升了35.23%;经过标签迭代,本文方法在仅有全监督方案标注工作量14.13%的情况下实现了全监督分割模型84.06%的分割性能。