口腔白斑（OLK）是一种有癌变风险的慢性疾病,但由于其癌变潜伏期长,人们容易对其忽视从而导致严重后果。目前对于口腔白斑的诊断主要依靠专业口腔医生视觉判断,但由于口腔白斑的病变组织与口腔内其他健康组织极为相似,疾病的误诊率较高。利用图像分割进行口腔白斑辅助诊断能够在一定程度上降低疾病误诊率,但由于口腔白斑病灶形状复杂、质地不够均匀、病变区域特征信息丰富等原因,传统的Mask Scoring R-CNN网络模型分割效果不良,容易造成错误分割,遗漏分割等情况。除此之外,受口腔白斑图像的病变区域轮廓模糊、边界不规则的影响,分割结果的边缘不够精准。针对传统口腔白斑误诊率较高以及应用于口腔白斑的现存网络分割方法的不足,本文所做工作和创新点可总结如下:（1）针对口腔白斑存在错误分割和遗漏分割的问题,引入空间注意力机制,提出了基于Attention机制的MS R-CNN网络。实验结果表明,该网络能够增强网络的特征提取能力,削弱其他区域对于分割效果的影响。（2）针对口腔白斑图像存在的病灶区域边缘模糊的情况,本文引入了图像的边缘检测方法,改进了MS R-CNN网络,运用Sobel滤波器使得图像的分割边缘更加准确,实现了病变区域的精准分割。实验结果表明,改进的MS-RCNN网络的分割性能比未做改进的提高了2.0%。（3）针对训练数据集数量不足的问题,本文以迁移学习进行解决。具体地,主要实现方式是将已经进行过训练的模型作为预训练模型使用。此外,对模型进行相关参数的详细设置,让模型达到较好的状态。本文所提出方法的实际应用意义可总结如下:（1）减少标注工作的负担:从边框、涂鸦或图像级标签中学习图像分割而不是使用像素级标注,降低了标注的成本。（2）减轻医生的工作量:在医疗资源较为匮乏的偏远落后地区,医疗设备供应不足,利用计算机辅助诊断可以给医生提供有价值的参考依据。