28、皮肤癌检测中的病变图像分割与宫颈细胞细胞核分割技术

皮肤癌检测中的病变图像分割与宫颈细胞细胞核分割技术

皮肤癌病变图像分割

皮肤癌是常见癌症，早期发现可有效治疗，因此开发计算机辅助早期检测系统很有必要，而皮肤病变图像分割是关键环节。

相关工作

目前有多种皮肤病变图像分割方法：
- 基于阈值的方法 ：通过分析整幅图像计算全局阈值，根据阈值划分像素为背景和前景，但对噪声敏感。
- 基于边缘检测的方法 ：在皮肤镜图像中搜索感兴趣区域边界，比阈值法有效，但需要手动选择初始种子点。
- 基于学习的方法 ：从已有分割图像学习分割点，包括监督和无监督学习技术。常见的有使用人工神经网络、遗传算法、聚类算法等。最新的深度学习方法成果显著，但训练数据有限时，分割结果可能较粗糙。如Bi等人设计多阶段FCN，还有人使用深度残差网络、深度全分辨率卷积网络等。Berseth使用U - Net架构，Vesal等人使用改进的U - Net（skinNet），不过这些架构存在输出图像像素或细节丢失的问题。

由于GAN模型不仅能将输入图像映射到输出图像，还能自动学习损失函数，因此本文采用基于GAN的深度学习解决方案来分割皮肤病变图像。

本工作

本文使用生成对抗网络Pix2Pix进行病变图像分割，其目的是将输入域图像转换到目标域。输入为皮肤病变图像，目标图像为对应的二值化真值图像。
- 生成器架构 ：由一系列编码层和解码层组成。编码层包含卷积层、批量归一化和ReLU激活函数，输入256×256×3的图像，经过7个