近些年来,以黑色素瘤等为例的皮肤癌发病率不断上升,严重危害了人类的生命健康安全。对此类疾病的尽早发现和治疗是提高患者生活质量的重要途径。皮肤镜凭借其无创、简便和能提高检测准确性的优点,在对黑色素瘤等皮肤病变的诊断中得以广泛应用。然而,即使是专业的皮肤科临床医生,在皮肤镜图像上进行人工诊断时也可能发生漏检和错诊的情况。计算机辅助医生进行皮肤镜图像的病变分析,提高皮肤病变诊断的准确率和效率,对于提升患者的存活率有着重要研究意义。现今,随着深度学习的发展,传统的基于手工提取特征的图像分割算法逐渐被取代。因此,本文设计了两个基于卷积神经网络的模型,用于皮肤镜图像的病变区域分割。本文的主要研究内容如下:1.针对皮肤镜图像中存在的病变区域颜色和尺度变化大、边界形状不规则和存在外来干扰等分割难点,本文设计了一个基于多尺度上下文信息的卷积神经网络模型（Multi-Scale Attention U-Net,MSAU-Net）,用于皮肤镜图像中病变区域的精准分割。网络以U-Net为基础模型,编码阶段构建图像金字塔作为多尺度输入,增加网络特征传递的能力。在编码器底层使用自动聚合的并行空洞卷积模块,用于自适应地提取和融合多尺度上下文信息。解码阶段嵌入通道和空间的双重注意力模块来进一步提升网络的特征表示能力。对解码器的多个层级进行深度监督,并结合通道注意力模块获得不同尺度特征图的权重,使得网络学习到更有辨识度的特征。本文在ISIC2017和ISIC2018这两个数据集上验证了该网络模型的有效性和准确性。2.大多数网络模型在皮肤病变分割任务中只关注整个病变区域,忽略了边界信息,但区域与边界均是提高分割效果的关键。针对以上问题,本文设计了一个基于反向注意力的卷积神经网络模型（Context Reverse Attention Network,CRANet）,实现对皮肤镜图像的自动精确分割。网络模型基于由粗到细的分割思想,引导网络去重点挖掘边界等细节信息。使用Res Net作为编码器来提取多层级的特征信息,通过解码器还原分辨率获得全局预测图,作为后续步骤的粗略图。设计上下文融合模块融合高低阶特征并得到多尺度上下文信息,送入多个级联的反向注意力模块逐步关注病变区域的边界细节信息,进而校准粗略图中不一致的预测。本文在ISIC2017和ISIC2018数据集上验证了该网络模型的准确性和优异性。综上所述,针对当前皮肤镜图像病变区域分割存在的问题和挑战,本文基于卷积神经网络设计了两个网络模型,并在皮肤镜图像数据集上证明了本文两个网络模型的有效性。