基于特征融合和阈值的皮肤镜图像分割方法.pdfVIP

摘要

随着医学影像技术的迅速发展，皮肤病镜图像分割在皮肤病的诊断、治疗方案

制定及病程监测中发挥着重要作用。然而，皮肤病变区域常具有边界模糊、形态复

杂、噪声干扰等特点，使得准确分割成为一项挑战。传统的图像分割方法在处理复

杂病变时面临性能波动和鲁棒性不足的问题，而基于深度学习的图像分割方法，特

别是卷积神经网络(CNN)，为解决这些问题提供了强有力的工具。尽管如此，深度

学习模型在高分辨率图像分割中仍面临信息丢失、利用不足、计算复杂度高、不够

稳定等挑战。因此，如何提高分割精度和稳定性，尤其是在复杂的皮肤病镜图像分

割任务中，成为当前研究的热点问题。

本文针对皮肤病镜图像分割中的关键问题，基于深度学习的皮肤病分割方法进

行研究，为了提高模型的鲁棒性、皮肤病分割的准确性和轻量化，主要开展了以下

工作：

(1)针对现有深度学习模型参数量大、计算复杂度高的问题，本文提出了一种基

于特征提取与融合的轻量化的分割模型MFLUnet。该模型通过多尺度带状膨胀卷积

模块(MSBDCB)和提