皮肤病是生活中最常见的一种疾病之一,近年来发病率呈现逐年上升的趋势。由于皮肤病在前期具有很强的预见性,早期干预能够有效地提高治愈的成功率。在计算机辅助皮肤镜病变分割之前,皮肤镜图像临床处理方式是由经验丰富的外科医生手动分割病变区域,分割结果具有很强的个人主观性而且耗费时间,因此具有客观性和快速性的计算机辅助诊断变得越来越重要。随着深度学习的发展,机器视觉相关技术日新月异,图像分割算法在临床皮肤病诊断应用方面也取得了很大的进步。相对于以往传统图像处理和传统机器学习方法,深度学习算法在最终效果和泛化性方面具有更强的技术优势。然而在皮肤镜图像采集过程中会出现病变区域边缘模糊、边界复杂多变和毛发干扰等问题,使得皮肤病变区域分割极具挑战性。在这样的背景下,为了更好地满足临床需要,本文针对上述问题提出了两种皮肤病变区域分割算法,具体内容如下:其一,针对临床采集的皮肤镜图像病变区域存在边界模糊和病变区域面积差异大等问题,提出一种基于多尺度特征融合的双U型皮肤病分割算法。该算法由粗分U型网络和细分U型网络两部分组成。首先粗分U型网络编码部分采用预训练模型对相关特征进行多尺度特征提取。在解码部分利用改进注意力残差块将底层与高层信息进行有效的映射融合,得到初步的预测结果。然后将初步生成的预测结果与原图像聚合,并输入多路特征提取编码器中进行二次特征蒸馏。而细分U型网络解码器同时融合粗分U型网络编码部分和细分U型网络的编码部分映射特征,保证网络可以聚合更多有效的信息。最后利用Focal Tversky损失函数进一步提升分割效果。实验表明该算法能够有效地分割皮肤镜病变区域。其二,针对皮肤病变图像分割过程中出现的病变区域对比度低和毛发干扰等问题,提出一种基于上下文特征提取的皮肤病变分割算法。首先将输入图片经过预处理操作,得到增强对比度后的细化图像。然后将预处理后的图像输入到网络中,该网络编码部分的多感受野残差编码模块在兼顾速度的同时对特征进行充分的提取。同时底部的特征融合模块由非对称融合非局部模块和非对称金字塔非局部模块两部分组成,用于融合图像的上下文特征。而解码部分由多个微型U型网络模块组成,保证将底层特征和高层映射特征有效融合并进行深层次的再提取。该算法在ISIB 2016和PH 2数据集进行仿真,其实验结果各项指标均优于当前各类皮肤病变分割算法。