病灶分割是医学图像分割的主要内容,决定了医学图像在临床诊疗中是否能够提供可信的依据。运用机器学习算法处理图像病灶并完成分割是热点也是难点,其一,精确分割的病灶可以为医生的早期诊断提供有力的证据,为确诊皮肤癌的患者及时提供治疗,有效降低癌症死亡率;其二,皮肤病灶的分割是一项艰巨的任务,因为成像技术对诊断效率的影响较大,且皮肤癌图像本身也存在关键信息占比小、背景信息扰动、病灶边缘模糊和信息表达能力不强等问题,导致皮肤病变的诊断过程非常复杂。因此本文主要从上述问题出发,针对性地提出了两类病灶分割方法,主要工作如下:一、构建一种改进Grab Cut算法用于皮肤病灶分割。由于获取的皮肤图像会受到成像设备的干扰,导致背景信息混乱和病灶边缘模糊,另外图像本身也存在噪声伪影扰动、关键信息占比不均衡的问题,造成皮肤病灶的识别和诊断比较困难。因此本文以Grab Cut为基础算法进行改进,先对图像预处理,将皮肤图像特有的毛发、气泡等无关噪声去除,突出关键信息,增强病灶边缘;存在两种病灶掩膜,一是用k-means++像素聚类,在HSV颜色空间进行CLAHE图像增强,提取绿色区域的病灶掩膜,二是使用大津法求解最大类间方差,自适应提取病灶掩膜,采用一种阈值策略分别将两种掩膜输入Grab Cut算法建模并分割皮肤病灶,并对得到的分割结果使用形态学后处理。通过在皮肤数据集PH2上试验,并将分割结果与原方法和应用广泛的传统图割法比较,分割指标Jaccard系数平均提升了5%,验证了提出算法的优越性。二、提出一种全卷积网络模型用于皮肤病灶的分割。由于目前采用的深度学习方法在医学图像分割领域中,存在运算次数高和内存占用大的缺点,使得模型的训练非常耗时,网络的固有结构也造成图像的信息表达能力不强、分割精度难提升。针对这些情况,本文提出一种轻量化的全卷积网络模型FCU-net,以U-net为基础网络,采用深度可分离卷积实现模型的轻量化表示,减少参数计算复杂度;然后在下采样阶段使用步长为2的卷积层取代池化层,在不损失精度的情况下扩大感受野,增强高级语义信息的表征能力,从而提升皮肤病灶的分割精度。本文提出的轻量化模型参数量减少了约1/5,FLOPs为同类模型中最低,模型复杂度被有效降低;将模型在公开的皮肤数据集PH2上验证,并与多种深度分割网络对比,得到的分割评价系数IOU、Dice和Accuracy在同类算法中均排第一,模型具有较强的分割性能。为进一步提升可视化效果,本文采用一种Bagging集成方法,结合模型FCU-net与微调的Seg Net模型,对分割结果进行后处理,使病灶分割结果更清晰。