杨国亮 赖振东 温钧林(江西理工大学电气工程与自动化学院 江西 赣州 341000)

0 引 言

恶性黑色素瘤是全球增长速度最快的癌症之一，并且具有很高的发病率和死亡率。根据全球癌症发病死亡统计报告，2018年全球新发恶性黑色素瘤病例为287 723人，死亡人数为60 712人[1]。目前，晚期黑色素瘤五年存活率仍然只有15%，而早期的黑色素瘤的最终治愈率却高达95%。因此对黑色素瘤及早地诊断和治疗十分重要，不过由于皮肤表面毛发、颜色、血管及病变皮肤与未病变皮肤对比度低等因素的影响，即使是经验丰富的临床医生也无法准确判断出皮肤上的病变区域，从而无法正确诊断恶性黑色素瘤。借助计算机辅助诊断系统(CAD)能提高对恶性黑色素瘤的诊断。而为了确保(CAD)在皮肤镜检图像中检测黑色素瘤的正常运行，准确地检测病变的边界是非常重要的。原因在于：(1) 为了对病变中存在的指标进行适当的分析，需要对其进行适当的分割；(2) 根据边界本身计算的一些数值，例如“ABCD法”和“Menzies法”中的分裂程度，本身就是恶性肿瘤的指标。

传统图像分割算法主要有直方图阈值处理法[2]、无监督聚类法[3-4]、基于边缘和区域的方法[5]、基于活动轮廓法分割病变皮肤区域[6]和监督学习分割方法(如人工神经网络ANN[7])。近年来，随着深度学习技术快速发展，将深度卷积神经网络(CNN)方法运用到图像分割领域提升了目标分割的性能。Shelhamer等[8]开发了第一个端到端的像素级语义分割算法，称为全卷积网络(FCN)。……