基于改进U-net网络的皮肤病图像分割

陈 虎

(中南民族大学 生物医学工程学院，武汉 430074)

0 引言

黑色素瘤是皮肤癌中最致命的一种，也是皮肤癌患者中死亡率最高的种类之一，过去几年中，每年有近60 000名患者死亡。但如果尽早发现，黑色素瘤患者的存活率能超过95%。目前，皮肤病的检测方法主要是皮肤镜技术，这是一种消除皮肤表面反射、增强深层皮肤可视化的成像技术。但由于皮肤病的诊断需要技术高超的专业医生，且该诊断费时费力，带有医师的部分主观看法，故而计算机辅助诊断(Computer Aided Diagnosis，CAD)在皮肤病的诊断中有其存在的价值，而皮肤病图像的分割就是其中重要的一环。

近几十年，很多学者研究了各种各样的算法来对医学图像进行分割，大体上可分为阈值处理、主动轮廓模型、区域增长与分裂等传统方法及卷积神经网络(Convolutional Neural Network，CNN)、全卷积神经网络(Fully Convolutional Network，FCN)等自动或半自动分割方法。传统分割方法需要手工分割出目标区域，过程烦琐复杂，容易出现错误。学者们大多把注意力投向机器学习的自动或半自动算法上。Long等人[1]首先提出了一种用于语义分割的FCN，用卷积层替换DCNN中全连接层，采取反卷积层进行上采样以获得逐像素的分类结果。在医学图像分割领域，Ronneberger等人[2]在FCN的基础上提出了U-Net网络结构模型，用于生物细胞图像分割。后来，学者又使用了U-Net网络变体，将其应用于肝脏、心脏、脑等图像的分割，取得了令人欣喜的结果。

本研究所提出的方法在U-Net的基础上进行了改进，取得了不错效果的循环模块、残差模块及注意力机制，相比普通U-Net网络有以下几点改进：残差单元有助于训练深度架构；……