皮肤上的“痣”可以被细分为很多类,如良性黑痣,恶性黑色素瘤以及光照性角化病等。由于恶性黑色素瘤和光照性角化病的外观与普通黑痣很相似,人工皮肤镜诊断易导致漏诊或误诊。卷积神经网络能通过学习大量数据来自动获得更加客观且可靠的计算机诊断结果,因此探究如何使用此类模型自动分析皮肤镜图像来帮助医生提高诊断准确率具有重大意义。目前使用卷积神经网络自动分析皮肤镜图像还面临诸多问题。首先,用于皮肤镜局部病损诊断的常见分类算法缺乏对病灶局部信息的定位,导致对恶性黑色素瘤的处理结果不明确。其次,在皮肤镜图像三分类任务中,数据类内异质性高、类间相似性低的特点加大了对病灶局部信息定位的难度。本文针对上述问题确认细节,分别使用多尺度单发多盒探测器(Multi-scale fusion single shot multibox detector,MFSSD)和实时目标检测器(Residual Attention You Only Look Once version 4,RA-YOLOv4)实现了对皮肤镜图medial rotating knee像的2分类和3分类鉴别,并且通过搭建相应的计算机辅助诊断系统,验证了模型在实际诊断场景中的检测效果。具体地,本文研究内容包含以下3个方面:(1)轻量化的皮肤镜图像二分类MFSSD检测器针对病灶二分类任务中缺乏对病灶局部信息定位的问题,提出了一种轻量化MFSSD目标检测方案。该方法以SSD模型为基础,引入了特征金字塔结构提升模型对不同尺寸特征的selleck融合能力。实验结果显示,在公开数据集ISIC上,本模型检测性能相比于原检测模型提高了4.87%。与现有分类方案相比,在分类性能几乎持平的前提下,本模型尺寸比SOTA方法减少了102M。这表明了本方法的检测性能和模型量均优于原检测算法。(2)高精度的皮肤镜图像三分类RA-YOLOv4检测器针对三分类任务中病灶局部信息定位困难的问题,提出了一种基于YOLOv4的高精度RA-YOLOv4目标检测方案。该方案将YOLOv4模型的模型骨干替换为残差网络,同时加入注意力机制以更准确地诊断病损。实验结果显示,在公开数据集ISIC上,相比于原模型,RA-YOLOv4的map指标提高了4.18%。相比于现有三分类方案,本模型获得了最高的F1指标(86.67%),比现有的最佳分类器高出0.82%。(3)皮肤病损检测系统的设计与实现针对目前皮肤病损检测缺乏自动辅助诊断系统的应用问题,提出了一种黑痣图像自动检测计算机辅助诊断系统。该系…