皮肤是人体最大的器官。近年来,皮肤癌患者的人数逐年增加。如果及时发现并治疗,患者几乎可以完全治愈。目前,在医学领域对皮肤癌的诊断,主要依靠皮肤科医生观察皮肤镜图像中病灶的形状、颜色等特征做出相应的诊断。这种方式不仅费时费力,而且由于皮肤病之间相似性高,即使是训练有素的皮肤科医生也很容易误判。随着计算机视觉技术的巨大进步,计算机辅助医生诊断将成为未来发展的趋势。目前,计算机在对皮肤癌图像进行识别时,主要存在以下挑战。首先,皮肤癌中最为致命的是黑色素瘤。在皮肤镜图像中,黑色素瘤与非黑色素瘤有极大的相似性。其次,由于病变区域与正常皮肤之间对比度较低,导致界限不明显,容易忽略皮肤的病变。最后皮肤镜图片中会有毛发,气泡,尺子标记等模糊或遮挡皮肤病变区域,使得自动识别任务变得更加困难。针对以上问题,本文在前人工作的基础上,提出对皮肤癌识别的优化算法。本文的主要贡献总结如下:1.本文提出自适应注意力网络(SANet),解决分步训练网络中,分类结果容易受分割信息影响的问题。自适应注意力网络使高层特征引导底层网络自动关注于病变区域,减少模型底层病变信息的丢失。实验结果显示AUC达到0.8584,准确率达到0.8700,平均精确率达到0.6365。为解决传统卷积神经网络中单尺度特征所引起的区别性特征丢失的问题,本文提出多尺度注意力网络(PANet),包含自适应的池化方式和有选择性的提取病变特征。实验结果显示,该算法AUC达到0.8662,准确率达到0.8667,平均精确率达到0.6675。2.在皮肤镜图像中,存在类间相似性高、类内差异性大的问题。现有算法采用交叉熵损失并没有对特征进行优化。因此,本文提出深度度量学习的方法,在距离空间(CL-loss)和角度空间(Angloss)对特征向量进行约束,优化特征的表达,使同类特征之间的距离更近,不同类之间的距离更远。实验结果显示,本算法AUC达到0.8712,准确率达到0.8683,平均精确率达到0.7018,优于目前的皮肤癌识别方法,对临床医疗诊断有一定参考价值。