黑色素瘤是一种典型且严重的皮肤病,黑色素瘤死亡率高。当前,医学影像深度学习的快速发展推动了医学辅助诊断效率和准确性的提升。基于计算机视觉技术的自动黑色素瘤分类技术作为一种有效的早期诊断筛查工具具有广阔的前景,可以帮助医生快速筛选出可疑病变,有助于提高活检或手术的工作效率。各种新技术的发展以及数据集的增长,为近年各种分类算法的快速发展提供了支持,在多个医学任务上达到专业医生的判断水平。但医学领域的深度学习受制于有限训练数据集和数据不平衡的困难,这也是一直研究的重点和难点。伴随着医学深度学习工作的进步,改善不平衡数据集场景的研究主要聚焦提高少数类的弱势地位,图像预处理和注意力技术成为提高黑色素瘤分类算法的重要研究方向。本文围绕改善数据不平衡和提高模型对局部信息关注方向展开研究,有重点的设计了两个分类模型,主要工作如下:1.模型一主要聚焦在改善数据不平衡场景中黑色素瘤分类模型难以训练的困难,同时在数据级别和算法级别改善模型的综合性能。首先,针对数据不平衡中少数类的弱势地位和数据不平衡造成的训练困难,本文设计了改进的随机过采样和生成对抗网络为恶性类别增加样本,少数类样本的提升能够加速训练的收敛并提高少数类在后向传播更新权重过程中的作用。其次,为解决高质量样本缺乏问题,该模型采用了多种数据增强方法,包括几何转换和噪声注入等,以提高模型的泛化性能。再次,该模型还加入了患者元数据训练,并为其设计了神经网络,以补充少数类的特征信息。最后,为了提高网络对多通道中重要通道的关注,本模型采用了自主学习的通道注意力,并为多通道加权。我们分别采用这些方法进行了实验,结果显示模型的分类性能逐步提升,在与其他模型的对比中也有很好的表现,该模型可以有效的提升黑色素瘤分类模型的性能。2.模型二主要聚焦基于注意力机制改善模型对重要信息的关注。本模型在多个维度采用注意力机制改善模型学习重点知识的能力。首先,为提高模型精度,将更多精力学习重点区域,该模型在空间维度学习注意力分布,在卷积网络中的低级特征阶段为特征图加权,以提高模型对病灶区域的兴趣。其次,为了实现样本间的特征加强,该模型采用了自注意力机制构建序列网络,该网络模块同步学习多个样本特征之间的关注度,并为感兴趣的特征加权。实验表明,空间注意力关注到了病灶区域,空间注意力和自注意力机制的融合有效的改进了模型的预测水平。