基于U~2Net改进的皮肤镜图像分割算法.pdf

2

基于UNet改进的皮肤镜图像分割算法

摘要

皮肤图像分割是医学图像处理领域的重要课题，它旨在识别图像中的异常皮

肤区域，并确定其类别和属性，对于黑色素瘤等恶性皮肤癌的诊断具有重要意义。

由于皮肤病变的特征多样，且图像采集受到光照、阴影、毛发等干扰，皮肤图像分

割一直面临巨大的挑战。近年来，卷积神经网络在该领域成果显著，它可以高效而

精确地检测和划分皮肤病变区域，为医生提供有效的辅助诊断，为患者争取宝贵的

治疗时间。本文针对皮肤病理图像质量差、边界不清晰、病变形态多样等难题，结

合传统图像处理技术和基于深度学习的图像分割方法，提高病理图像分割的准确

度和鲁棒性。论文主要工作如下：

1．为了改善原始皮肤图像的质量，本文针对毛发噪声干扰和对比度不足的问

题，提出一种有效的图像处理方法。首先利用形态学操作对图像进行毛发噪声提取，

然后采用快速行进算法修复除噪区域。该方法在去除毛发噪声的同时，保持皮肤的

细节和纹理特征，避免传统方法造成的边缘模糊现象。使用限制对比度自适应直方

图均衡化算法（CLAHE）对图像进行增强，动态地调整图像的直方图分布，增强

病变区域和正常皮肤区域之间的对比度，有效避免全局直方图均衡化导致的图像

过度增强和噪声放大问题。目前的深度学习方法在皮肤病变图像分割方面表现不

2

佳，缺乏对多尺度病变特征的有效提取。针对该问题，以UNet网络为基础，使用

改进的Inception模块设计适用皮肤图像分割的网络，在保证特征图分辨率前提下

可以提取多尺度特征。对比实验和消融实验结果表明，该方法可以有效提高皮肤图

像分割性能。

2．针对复杂皮肤图像分割效果差的问题，在ECANet注意力机制基础上，增

加辅助分支，用于捕捉远距离通道间的特征关联，突出特征图中的重要通道信息，

获得全局范围的特征依赖。由于二值交叉熵损失函数过分关注占比较大的背景区

域，导致模型难以收敛，小面积病变的分割效果不佳。针对该问题，本文将二值交

叉熵损失函数和Dice损失函数进行加权组合，有效平衡病变区域和正常皮肤区域

像素对模型训练的贡献。实验结果表明，该方法可以增强分割网络对病变区域特征

的学习能力，提高在边界模糊、小病变区域等困难分割场景下的分割性能。

关键词医学图像分割；黑色素瘤；CLAHE算法；多尺度特征提取；ECANet

-I-

SkinLesionSegmentationinDermoscopy

2

ImagesBasedonImprovedUNet

Abstract

Skinimagesegmentationisanimportanttopicinmedicalimageprocessing,which

aimstoidentifytheabnormalskinregionsinimagesanddeterminetheirtypesand

attributes.Ithasgreatsignificanceforthediagnosisofmalignantskincancerssuchas

melanoma.Duetothediversityofskinlesionsandtheinterferenceofillumination,

shadow,hair,etc.,skinimagesegmentationhasbeenfacinggreatchallenges.Inrecent

years,convolutionalneuralnetworkshaveachievedremarkableresultsinthisfield,which

canef