基于深度学习的皮肤病变分割研究综述.docVIP

基于深度学习的皮肤病变分割研究综述

皮肤病变分割是计算机辅助皮肤病诊断的核心环节，其目标是从皮肤镜图像中精准提取病变区域的边界与范围，为后续的良恶性鉴别、病理分级量化以及手术方案规划提供关键依据。传统分割方法依赖人工设计的颜色、纹理特征，在面对皮损边界模糊、毛发/气泡伪影干扰、不同人种肤色差异等复杂场景时泛化能力严重不足。2015年全卷积网络（FCN）在医学图像分割领域取得突破性进展后，基于深度学习的分割技术逐步成为皮肤病变分割的主流方案，相关研究在精度、效率、临床适用性三个维度持续迭代，目前已形成多技术路径并行发展的研究格局。

一、基础深度学习分割架构在皮肤病变领域的适配演进

早期皮肤病变分割研究主要通过对通用语义分割架构进行针对性改进实现性能提升，其中U型网络（U-Net）及其衍生变体是应用最广泛的基础架构。经典U-Net通过编码器的下采样路径提取多尺度语义特征，再通过解码器的上采样路径逐步恢复空间分辨率，同时引入跳跃连接融合浅层细节特征与深层语义信息，天然适配皮肤镜图像中病变区域大小不一、边界细节丰富的特点。2017年研究者针对皮肤病变图像的类不平衡问题，在U-Net基础上提出加权交叉熵损失函数，对皮损边缘像素赋予更高的损失权重，使边界分割准确率提升了7.2%；同年推出的ResU-Net将残差模块引入编码器与解码器，有效缓解了深度网络训练过程中的梯度消失问题，使网络深度可扩展