皮膚癌是世界上最常見的、增長最快的癌癥之一。其中，黑素瘤是最惡性的皮膚癌，2018年新增28.77萬人并導(dǎo)致6.07萬人死亡。皮膚鏡是皮膚科醫(yī)生用來區(qū)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精準(zhǔn)分割是計算機(jī)輔助皮膚癌診斷的基礎(chǔ)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(zhǔn)確性和效率具有重要作用。然而，由于皮膚癌病灶往往呈現(xiàn)多變的尺度、不規(guī)則的形狀、模糊的邊界以及毛發(fā)等噪聲的干擾，現(xiàn)存的分割模型面臨著類內(nèi)不一致、類間難區(qū)分的挑戰(zhàn)。

　　針對上述問題，中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所楊曉冬課題組等提出了一種基于全局和局部像素間相關(guān)性學(xué)習(xí)的皮膚癌病灶分割算法。在編碼器-解碼器架構(gòu)下，研究人員設(shè)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(yīng)對病灶形狀及尺寸的大變化性；此外，設(shè)計了局部鄰域度量學(xué)習(xí)模塊，以增強(qiáng)分割模型的局部語義相關(guān)性學(xué)習(xí)能力，提高特征空間中類別之間的可分離性。該算法通過同時學(xué)習(xí)建模全局和局部像素間相關(guān)性來增加類間差異與類內(nèi)一致性，在三個公開皮膚鏡數(shù)據(jù)集（ISIC2018、ISIC2016、PH2）上進(jìn)行了實(shí)驗，算法性能達(dá)到較高水平。

　　該研究成果以ICL-Net: Global and Local Inter-pixel Correlations Learning Network for Skin Lesion Segmentation為題在線發(fā)表在IEEE Journal of Biomedical and Health Informatics上。研究工作獲得江蘇省衛(wèi)生健康委員會、浙江省科學(xué)技術(shù)廳和蘇州市科學(xué)技術(shù)局、常州市醫(yī)學(xué)物理重點(diǎn)實(shí)驗室等項目的支持。

圖1 基線方法(ResUnet)和提出方法的分割結(jié)果