基于深度学习的皮肤病变图像分割算法研究

学术汇报基于深度学习的皮肤病变图像分割算法研究分割算法·数据集·评价指标·前沿进展汇报人XXX日期2026年10月研究导览01研究背景与意义临床痛点驱动，智能辅助诊断需求02数据集与评价体系基准数据与量化评估标准03主流算法演进CNN、Transformer、Mamba三条路线04前沿进展与挑战最新突破与未来方向PART01研究背景与意义早筛早诊，是提升生存率的关键从临床需求出发，理解皮肤病变分割的研究价值临床痛点驱动智能诊断需求皮肤病变种类繁多，早筛早诊关乎生存率早期发现黑色素瘤的生存率达

95%症临床痛点病变种类涵盖炎症性疾病到恶性黑色素瘤，发病率逐年上升早诊关键早期诊断与及时干预对治疗效果和生存率至关重要生存率早期发现黑色素瘤的生存率达

95%基层困境基层医疗资源有限，误诊漏诊时有发生智能辅助诊断智能辅助诊断智能辅助诊断自动分割与识别病灶提高诊断效率减少主观判断误差医学图像分割技术三阶段演进从传统方法到深度学习，技术代际跃迁医学图像分割广泛应用于病灶检测、手术规划、放疗辅助等临床场景，是智能诊断系统的关键环节。阶段一传统图像处理依赖阈值分割、边缘检测、区域增长简单场景有效复杂背景与模糊边界下鲁棒性不足阶段二机器学习基于特征提取与分类器训练精度有所提升仍高度依赖人工设计特征阶段三深度学习自动学习层次化特征成为医学图像分割的主流路线PART02数据集与评价体系统一基准，方能公平比较梳理公开数据集与量化评估指标ISIC数据集构成研究基准公开基准数据规模逐年扩大ISIC系列数据集规模2016图像

1279

张12792017图像

2000

张20002018图像

2594

张2594ISIC

系列是皮肤病变分割的标准基准。256×256CLAHE增强多标注数据集与标注质量挑战数据规模扩张，标注多样性仍待补足规模vs质量资源体量庞大，但标注多样性仍是训练短板规模进展3项ISIC档案库收藏超

120万

张皮肤图像，资源体量庞大西蒙菲莎大学史上最大皮肤病变数据集，超

17000

张图像病变形态覆盖色素痣、黑色素瘤、基底细胞癌等典型病变形态标注质量瓶颈3项单一标注公开分割数据集几乎仅提供单一标注结果，缺乏多元化视角ISIC2019-Seg含多标注者意见，但仅

100

张图像，难支撑大规模训练ISIC18约

12%

标注边缘模糊，建议形态学闭运算处理标注掩膜分割性能的量化评估指标多维度指标共同刻画分割性能指标核心含义特点Dice系数重叠度度量对重叠区域更敏感Jaccard指数交并比几何直观性强灵敏度病灶检出能力对漏检高度敏感特异性背景判别能力衡量排除非目标区MCC双变量相关系数类别极不平衡仍有效HD95边界距离度量评估边界精度Dice与Jaccard满足恒等关系：Jaccard=Dice/(2-Dice)，均对边界微小偏移具鲁棒性。PART03主流算法演进从局部到全局，从卷积到状态空间三条技术路线的演进与融合UNet奠定分割基础架构对称U型结构，定义编码解码范式UNet以对称U型与跳跃连接奠定基准，后续模型沿此范式持续优化，迭代升级推动精度突破UNet对称U型结构与跳跃连接，编码器提取特征、解码器恢复细节R2AU-Net引入循环残差卷积与注意力门，增强上下文感知能力MSRF-Net双尺度密集融合，增强不同分辨率特征图的信息交互U-Netv2通过语义与细节注入模块进一步优化分割准确性UNet3+全尺度特征融合突破微小病灶瓶颈，UNet++在直径小于5mm病灶上Dice仅约

0.72Transformer引入全局建模能力自注意力机制，突破局部感受野限制CNN的边界与局限2项有效保留纹理边界细节难以充分建模全局上下文SwinTransformer与ESC-UNET2项窗口注意力与移位窗口机制，复杂度降至线性保留跨窗口信息交换融合EfficientNetB5与SwinTransformer引入

CBAM

与

ASPP

增强特征表达98.25%ISIC2016准确率88.41%ISIC2016Jaccard指数95.15%ISIC2016Dice系数93.3%▲

提升ISIC2017较U-Net准确率

93.3%、Dice78.3%Mamba实现线性复杂度建模线性复杂度，兼顾精度与效率Mamba实现线性复杂度建模，兼顾精度与效率Mamba架构关键方法3项Mamba线性复杂度高效建模长距离依赖，捕捉病灶整体形态与边界连贯性ELM-UNet基于Mamba架构，设计

LKA-MLP协同模块与

SSM-Conv融合模块LCS-Net参数仅

0.07M，推理时间

6.8ms，适用于便携医疗设备实时诊断核心分割性能对比数据集mIoU提升DSC提升敏感度提升ISIC20172.04%1.21%1.61%ISIC20181.81%1.10%2.36%提升显著相对基线方法的提升幅度主流方法分割精度对比轻量模型精度反超经典基线ISIC2018分割精度对比方法对比明细3项U-Net经典基线，Dice87.55%，Jaccard77.86%TransFuseDice89.27%，Jaccard80.63%LCS-NetDice89.41%，Jaccard80.86%，参数极小PART04前沿进展与挑战边界模糊处，正是创新所在最新突破与未来方向展望前沿模型刷新多项指标拓扑先验与双分支架构成为新焦点融合拓扑先验与双分支架构的前沿分割模型，在多个基准数据集上刷新指标。前沿分割模型5项TDBVM拓扑先验与双分支视觉Mamba，ISIC2018上

IoU、DSC、Acc、HD、ASSD均达最优跨数据集鲁棒性ISIC2016/2017六项指标全部领先，PH2外部验证集表现优异MelanoFusionNetResNet50

与改进MambaVSS双分支编码器，配多尺度注意力融合解码器改进DeepLabV3+ResNet20

骨干，配合MAKNet100分类与GradCAM可解释性可视化VM-UNet视觉状态空间模块使Dice提升至

0.912，较传统UNet提高

6.8%核心挑战与未来方向边界模糊处，正是创新所在破局之道在于化挑战为方向：以技术演进回应临床痛点核心挑战病灶边界模糊、图像对比度低、毛发伪影干扰、病变形态多样性标注数据稀缺，多标注一致