摘要

背景与目的：在皮肤病变的早期阶段，病变区域与背景皮肤在皮肤宏观图像上的强度差异或对比度往往不足。拍摄图像时光照条件不充分进一步降低了图像对比度，导致病变与背景之间的对比度偏低，严重影响分割效果。目前文献中针对提升皮肤宏观图像中病变与背景皮肤之间对比度的增强技术较为有限。为此，本文提出一种基于EfficientNet的改进型Sigmoid变换方法，以有效增强皮肤宏观图像的对比度。方法：该方法在HSV颜色空间中引入改进型Sigmoid变换。通过构建一种改进型EfficientNet回归模型，自动预测将宏观图像划分为病变区与背景区的交叉点（即阈值点），从而避免人工干预和主观判断。该改进型EfficientNet回归模型通过将传统EfficientNet的分类层替换为回归层实现。为减少训练时间并降低对训练数据集规模的需求，采用迁移学习策略。在训练过程中，以训练数据集中宏观图像在HSV颜色空间中提取的“V”（明度）分量作为输入，其对应的理想交叉点（即在Otsu阈值分割后，分割结果与真实标注图像之间的Dice相似系数DSC达到最大时的阈值）作为目标标签。结果：在采用所提框架增强后的图像上，使用Otsu阈值法进行分割所得结果的DSC由原始的0.68 ± 0.34显著提升至0.81 ± 0.17。结论：所提出的算法在一组涵盖多种情况的测试图像上均能稳定提升病变区域与背景之间的对比度，验证了其在皮肤宏观图像自动化分析中的有效性和应用潜力。