皮肤病是人类最常见的疾病之一，以黑色素瘤为代表的恶性皮肤病变有着极高的致死率。有研究表明，黑色素瘤治疗的关键在于早期发现和治疗，但是早期黑色素瘤易与皮肤良性病变中的黑色素细胞痣和脂溢性角化病相混淆，造成治疗延误。皮肤镜是一种非侵入性的皮肤成像技术，既能放大皮肤，又能消除表面反射，是提高诊断性能和减少黑色素瘤死亡的重要手段之一。皮肤镜广泛应用于皮肤病变诊断系统，已成为皮肤科医生的重要辅助工具。因此，皮肤镜图像中皮肤病变的自动识别是计算机辅助诊断的一项重要任务。但现阶段利用皮肤镜图像进行皮肤病变的准确诊断存在问题：由于医学图像收集的特殊性，通常只能得到小规模的皮肤镜数据集。虽然生成对抗网络(Generativeadversarialnetworks，GAN)已被成功地用于合成皮肤镜图像，然而之前的方法通常将类别标签做为GAN的约束条件，不能有效控制合成图像的类别。近期，苏州医工所杨晓冬课医院合作，在基于条件生成对抗网络的高分辨率皮肤镜图像合成算法研究上取得进展。算法的整体流程如图1所示，生成器以语义映射和实例映射做为输入来生成高分辨率的皮肤镜图像，之后采用多尺度的判别器区分真实图像和合成图像。
图1皮肤镜图像合成算法流程图
课题组重点研究了一种语义条件图像合成算法，该算法可以将语义标签图转换为皮肤镜图像。相较于类别标签，将语义标签图做为图像合成过程中的约束条件可以加强网络对图像细节纹理和类别的精准控制，同时使用多尺度判别器来结合更多的图像局部和全局上下文信息。如图2所示，虽然每个判别器的网络结构相同，但最大尺度判别器的接受域最大，可以生成全局一致的图像，而最小尺度的判别器对图像的细节纹理更加
转载请注明：http://www.jiemosesuzhijm.com/jmsszzz/9780.html
