近数十年来,皮肤癌相关疾病的发病率逐渐增高,对现代人的生命健康造成了严重危害。对于皮肤癌这类高危疾病,在早期识别并介入治疗是重要的手段。随着人工智能技术在图像识别领域的应用不断深入,计算机程序能对皮肤镜图像进行有效的病变分析,辅助医生进行诊断和治疗。但是,常用的全监督深度学习算法需要大量的有标签数据用于训练,这大幅提高了模型的训练成本和时间损耗。半监督学习思想提出利用获得难度低的无标签数据进一步增强模型的分割性能。在低数量级的有标签数据的辅助下,模型从高数量级的无标签数据中获得额外的特征信息。因此,半监督学习算法减少了训练成本,并且能获得可靠的预测结果,是一个大有希望的研究方向。本文基于半监督学习思想,提出了两个不同的语义分割模型,用于皮肤镜影像分割任务。主要研究内容如下:1.皮肤镜影像的分割任务中存在一系列难点,如肿瘤区域的颜色和形态大小差别大、肿瘤边缘模糊和某些遮挡物的误导等。针对上述困难,本文设计了一个置信度增强的交叉监督网络(Confidence-Aware Cross Supervised Model,CCSM),用于皮肤镜影像中肿瘤区域的精准分割。网络的两个分支是并行且独立初始化的分割网络。分支网络以DenseUNet为基础模型,我们在解码器的后面加入了一个置信度计算模块。一个分割分支的输出通过同一网络的置信度映射来过滤低置信adult medulloblastoma度区域,并作为伪标签来监督另一个分支。为了有效挖掘输入图像的语义信息,我们还提出了一个简单而有效的注意力模块来捕捉目标区域的特征。本文在ISIC2017和ISIC2018数据集上进行了一系列的实验,证明了该网络模型的可靠性和优越性。2.在皮肤镜影像语义分割任务中,病变区域的边界信息和整体信息都对提高模型的分割效果有正向作用。现有的多数模型只关注区域信息的提取和利用,没有很好的使用边缘信息增强模型性能。针对这一情况,本文设计了一个边界特征引导的半监督自集成模型(Boundary-guided Self-ensembling Model for Semi-supervised Skin Lesion Segmentation,BGSM),实现对皮肤镜图像的自动精确分割。在训练开始前,Pexidartinib浓度网络加入了两个数据增强模块。颜色变换模块利用RGB和LAB颜色空间的相互变换,从无标签数据中获取亮度信息,构建出新的有标签数据。翻转变换模块利用卷积的翻转不一致性,对输入输出施加相应的翻转操作。这两个数据增强模块都能够有效增强一致性损失。网络基于ResNet构建,加入了对应层级的解码器。在编码器与解码器之间构建了边缘提取模块,利用Sobel算子获取边缘信息。此外。我们设计了多尺度特征融合模块将上下两层编码器的输出融合。通过这种渐进式特征融合,网络可以获得更丰富的浅层信息和深层信息。本文在PLX4032配制ISIC2017与ISIC2018数据集上验证了该网络模型的准确性和优异性。