基于深度学习的皮肤病变图像分割与分类研究.pdfVIP

摘要

皮肤病变，尤其是恶性黑色素瘤这类皮肤癌症，具有易转移、治疗难度大、死

亡率高等特点，对人类健康构成了严峻的威胁。传统的诊断方法主要依赖于医生对

皮损部位的观察，包括其大小、颜色和纹理等特征，这一方法受限于医生个人经验

和病例的复杂多样性，容易导致误诊。随着人工智能技术的发展，利用计算机辅助

技术进行精确的皮肤病变诊断成为可能。本文基于深度学习对皮肤病变图像的分

割与分类进行研究，旨在通过自动化的图像处理方法辅助医生识别皮肤病变的种

类及区域，降低误诊率，提高医疗服务的效率和质量。本文的主要工作概括如下：

（1）针对皮肤病变边界模糊、存在毛发遮挡以及病灶大小不一等问题，提出

了一种基于改进U-Net的皮肤病变图像分割网络。编码器采用ResNet34提取输入

图像的特征，相较于U-Net原始的下采样结构，ResNet34内部残差结构的设计能

显著提升模型对复杂语义信息的捕获能力，并且避免训练时出现梯度消失的问题。

同时，在U-Net的跳跃连接中引入CBAM模块，通过对通道注意力机制与空间注

意力机制的融合，实现了对图像的通道与空间特征的自适应学习，提升模型对病灶

区域的关注度，降低图像背景和噪声的干扰。最后，在U-Net的瓶颈层引入重新设