摘要

利用普通相机拍摄的高倍聚焦皮肤图像（即宏图像）在皮肤科领域得到广泛应用。由于这类图像具有高度聚焦特性，仅包含病灶区域与背景区域，因此在宏图像上定位病灶可简化为一个简单的阈值分割问题。然而，能够准确估计阈值且在不同皮肤科宏图像上保持一致性能的算法仍较为罕见。本文提出一种深度学习模型——“深度阈值预测网络”（Deep Threshold Prediction Network, DTP-Net），以解决该问题。在模型训练过程中，将宏图像的灰度版本作为输入，将使分割结果与真实标注图像之间Dice相似性指数（Dice Similarity Index, DSI）达到最大值的灰度阈值定义为模型的目标输出。实验结果表明，与11种当前先进的阈值分割算法（包括Otsu阈值法、谷底增强Otsu法、Isodata法、基于直方图斜率差异分布的阈值法、最小误差阈值法、基于泊松分布的最小误差阈值法、Kapur最大熵阈值法、熵加权Otsu法、最小交叉熵阈值法、基于Type-2模糊集的阈值法以及模糊熵阈值法）相比，DTP-Net在预测阈值时表现出最小的均方根误差。该网络能够有效学习病灶与背景在灰度空间中的差异，并精确预测出分离病灶与背景的最优阈值。所提出的DTP-Net可无缝集成至自动化皮肤癌检测工具的图像分割模块中，提升整体诊断性能。