皮膚癌是世界上最常見(jiàn)的、增長(cháng)最快的癌癥之一。其中，黑素瘤是最?lèi)盒缘钠つw癌，2018年就新增28.77萬(wàn)人并導致6.07萬(wàn)人死亡。皮膚鏡是皮膚科醫生用來(lái)區分黑色素瘤的使用最廣泛的工具之一，皮膚鏡圖像中病灶的自動(dòng)精準分割是計算機輔助皮膚癌診斷的基礎步驟，其可提供病灶的位置、形狀、大小等定量信息，對提高皮膚癌診斷的準確性和效率具有重要作用。

　　然而，由于皮膚癌病灶往往呈現多變的尺度、不規則的形狀、模糊的邊界以及毛發(fā)等噪聲的干擾，現存的分割模型面臨著(zhù)類(lèi)內不一致、類(lèi)間難區分的挑戰（如圖1所示，病灶內部的孔洞以及病灶邊界附近割裂的片段）。

　　圖1.基線(xiàn)方法(ResUnet)和提出方法的分割結果 

　　針對此問(wèn)題，蘇州醫工所楊曉冬課題組提出了一種基于全局和局部像素間相關(guān)性學(xué)習的皮膚癌病灶分割算法。該算法整體結構如圖2所示，在編碼器-解碼器架構下，首先設計了金字塔transformer像素間相關(guān)性模塊，旨在捕獲不同層次的非局部上下文信息，并進(jìn)一步探索全局像素級相關(guān)性，以應對病灶形狀及尺寸的大變化性。此外，還設計了局部鄰域度量學(xué)習模塊，以增強分割模型的局部語(yǔ)義相關(guān)性學(xué)習能力，提高特征空間中類(lèi)別之間的可分離性。該算法通過(guò)同時(shí)學(xué)習建模全局和局部像素間相關(guān)性來(lái)增加類(lèi)間差異與類(lèi)內一致性，在三個(gè)公開(kāi)皮膚鏡數據集（ISIC2018、ISIC2016、PH2）上進(jìn)行了實(shí)驗，算法性能達到了當前最好的水平，部分代表性的分割結果如圖3所示。

 圖2. 分割算法網(wǎng)絡(luò )結構 

 圖3. 分割結果對比 

　　該研究成果 “ICL-Net: Global and Local Inter-pixel Correlations Learning Network for Skin Lesion Segmentation” 已在線(xiàn)發(fā)表在 IEEE Journal of Biomedical and Health Informatics雜志上。論文第一作者為研究生曹維維，鄭健研究員與常州二院倪昕曄教授為通訊作者。該項工作受到江蘇省衛健委（M2020006）、浙江省科技廳（LQ19H110001）和蘇州市科學(xué)技術(shù)局（SJC2021023）、常州市醫學(xué)物理重點(diǎn)實(shí)驗室（CM20193005）等項目的經(jīng)費支持。  

　　論文鏈接：https://ieeexplore.ieee.org/abstract/document/9745347