全文总字数：2357字

1. 研究目的与意义及国内外研究现状

黑色素瘤对人类的健康造成了巨大威胁，它具有早期难发现、晚期难治疗、恶化快、扩散快等特点。但是若是能尽早发现，进行简单的手术切除就可以完全治愈，减少给患者带来的伤害和损失。而如何做到皮肤镜图片中病变区域的自动分割就成了消除诊断主观性、提高诊断正确率的关键。皮肤镜图片采集的过程中由于皮肤形态、操作过程等各种差异，会引起图片中边缘模糊不清、毛发夹杂、气泡、颜色差异等诸多问题，这是皮肤镜图片自动分割任务中的巨大挑战。传统方法如abcd法、三点检测法等都是利用纹理颜色和形态，使用手动特征，为了使其适应新的数据集，通常需要专家经验和时间对特征进行调整，所以费时费力还不能取得很好的效果。而深度神经网络的优点是能够针对当前问题自动学习合适的特征表示，是图像分割问题的一个里程碑，能够有效的应用于黑色素瘤皮肤镜图片病变区域的自动分割。本文研究的内容可以更好地辅助医生进行诊断，减少误诊漏诊，减轻医生的压力，从而更好地提升医疗质量和效果。所以，本文研究的基于深度网络病变区域的自动分割具有十分重要的意义。

国内外研究现状

随着人类社会的发展，大家越来越注重身体健康，体检意识的提高，皮肤癌被公众广为重视。近些年来，国内外学者都对黑色素瘤进行了广泛而深刻的研究。传统的图片边缘检测方法主要有如下：

（1）聚类：将一个多维图像分割成若干同质区域；

2. 研究的基本内容

本论文的总体目标是利用多种深度网络训练调试模型，实现对皮肤癌图片中病变区域的自动分割，也就是病变区域的边缘检测。

具体包括皮肤镜图片的预处理、训练、分割与结果分析，阐述整套的算法框架与网络模型。

对测试集图片进行测试，与已有的手工标记的边缘进行对比验证分析，计算出误差值与正确率。

3. 实施方案、进度安排及预期效果

用isic2018的数据进行试验，进行图片的训练和测试

4. 参考文献

[1]ronneberger o., fischer p., brox t. (2015) u-net: convolutional networks for biomedical image segmentation. in: navab n., hornegger j., wells w., frangi a. (eds) medical image computing and computer-assisted intervention – miccai 2015. lecture notes in computer science, vol 9351. springer, cham

[2]hariharan, b., arbelez, p., girshick, r., malik, j.: hypercolumns for object segmentation and fine grained localization (2014), arxiv:1411.5752 [cs.cv]

[3]seyedhosseini, m., sajjadi, m., tasdizen, t.: image segmentation with cascaded hierarchical models and logistic disjunctive normal networks. in: computer vision (iccv), 2013 ieee international conference on. pp. 2168{2175 (2013)