杨国亮，赖振东，喻丁玲

(江西理工大学电气工程与自动化学院，江西 赣州 341000)

图1 AT-UNet++网络结构

恶性黑色素瘤患者死亡率高，晚期患者5年存活率仅15%，而早期患者治愈率却高达95%[1]，及时诊断对改善黑色素瘤患者预后十分重要。受皮肤表面毛发、颜色、血管及病变皮肤与无病变皮肤对比度低等因素影响，临床准确诊断恶性黑色素瘤具有一定困难。计算机辅助诊断能有效提高对恶性黑色素瘤的诊断效率，其中准确检测病变边界尤为重要。现有自动分割算法可大致分为基于直方图阈值处理[2-3]、基于无监督聚类[4]、基于边缘和区域[5]、基于活动轮廓[6]和监督学习[7]方法。近年来，卷积神经网络(convolutional neural networks, CNN)常用于图像分割领域，以提高分割目标的精度。RONNEBERGER等[8]提出U-Net网络，ZHOU等[9]提出UNet++网络，但均无法完全克服边界模糊、数据类别极度不平衡及ROI小等问题造成的分割困难。本研究提出一种优化的UNet++模型，引入软注意力机制，并以Tversky Focal Loss(TFL)函数作为损失函数，旨在提高现有算法的分割精度。

1 AT-UNet++网络

1.1 数据 本研究选用由国际皮肤成像协作组织(International Skin Imaging Collaboration, ISIC)提供的2个开放皮肤镜检查数据库，分别为ISIC挑战2016和ISIC挑战2017数据集；前者包含900幅训练图片和379幅测试图片，尺寸566×679～2 848×4 228；后者包括2 000幅训练图片、150幅验证图片和600幅测试图片，尺寸540×722～4 499×6 748。每幅图像均包含人工标注。

随机选择角度，对ISIC挑战2016与ISIC挑战2017数据集训练集图片旋转4次，进行数据增强，并将2个数据集中的所有图像转换为256×256，防止训练过拟合及数据集图像尺寸不等而影响模型的分割精度。……