李家成，叶哲江，杨嘉林，张鹏飞

（昆明理工大学 信息工程与自动化学院，云南 昆明 650500）

0 引 言

世 界 卫 生 组 织（World Health Organization，WHO）的统计数据表明，全球每年发生200万至300万例非黑色素瘤皮肤癌和132万例黑色素瘤皮肤癌[1]。在美国，虽然黑色素瘤在所有皮肤癌中所占比例不到5%，但它们约占所有皮肤癌相关死亡病例的75%，每年造成10 000多人死亡[2]。皮肤病早期的诊断与预防已经成为遏制皮肤病癌变恶化的有效手段，尤其是黑色素瘤，早期的诊断与治疗能有效降低致死率[3-4]。

临床上一般通过有丰富经验的皮肤科专家结合自己的经验和特定的方法如CASH方法[5]、Menzies方法[6]、ABCDE方法[7]等对病理图片进行诊断。人工诊断存在有诊断经验的皮肤科专家的缺乏、不同专家诊断水平参差不齐、准确率难以保证、费时费力等缺点。随着深度学习的发展，基于深度学习的皮肤病诊断在以往研究中获得了可观的成果。ESTEVA[2]等整合多个皮肤病数据集，构建了一个包含2 000多种皮肤病种类的大型皮肤病数据集，使用GoogLeNet作为其分类网络并将迁移学习技术应用到自己的数据库上，最终准确率能与皮肤科专家诊断结果相媲美，证明了基于深度学习的皮肤病自动分类的可行性。李航等[8]采用深度学习和传统机器学习相结合的方式，先使用预训练的ResNet152模型迁移学习提取皮肤病病灶特征信息，再通过支持向量机（Support Vector Machine，SVM）进行诊断分类。LEQUAN Y等[9]提出方法先用一个全卷积残差网络（Fully Convolutional Residual Networks，FCRN）对皮肤病图像病灶进行分割，缓解数据量不足问题，再使用ResNet50网络进行分类。……