皮肤病是人类最常见的疾病之一,以黑色素瘤为代表的恶性皮肤病变有着极高的致死率。黑色素瘤治疗的关键在于早期发现和治疗,但是早期黑色素瘤易与皮肤良性病变中的黑色素细胞痣和脂溢性角化病相混淆,造成治疗延误。目前临床上皮肤病的诊断主要依赖医生的肉眼观察和临床诊治经验,缺乏科学量化手段。皮肤病变计算机辅助诊断系统可以帮助医生对病情进行分析和判断,提高医生诊断效率并减轻工作量。针对皮肤镜图像训练数据不足、类间相似性、类内变异以及无用背景信息干扰的问题,为了对皮肤病变进行自动识别,本文从皮肤镜图像合成和皮肤病变识别两个方面进行研究,具体工作如下:(1)针对训练数据不足的问题,本文提出了一种基于生成对抗网络的皮肤镜图像合成算法以进行数据扩充。该算法以pix2pix HD框架为基础,首先对全局生成器进行改进,以跳跃连接的方式将浅层特征和深层特征相结合以避免图像细节信息的丢失,然后引入标准差匹配损失以稳定GAN的训练,最后建立了一套有病理意义的皮肤病变知识模型以生成高质量的皮肤镜图像。与DCGAN和PGAN相比,本文算法合成的皮肤镜图像不仅质量更高,并且可以为监督学习提供额外的信息增益。(2)针对背景信息干扰的问题,本文提出了一种基于深度卷积网络的两阶段皮肤病变识别框架。该框架使得分类网络能够根据分割后的结果而不是整个皮肤镜图像提取更有代表性和更具体的特征。对于病灶分割部分,本文首先引入迁移学习的思想对U-Net的编码器部分进行改进,然后利用Dice系数损失函数给予了分割正确像素即病灶区域更多的关注。对于病变分类部分,首先利用颜色恒常化算法对皮肤镜图像进行处理以避免不同光源标准下颜色空间偏移的问题,然后针对类别不均衡问题设计加入样本平衡因子的Focal Loss损失函数。本文方法在ISIC-2017数据集上取得了0.768的最优Jaccard Index分割性能指标和0.920的最优平均AUC分类性能指标。(3)基于以上问题的解决,利用训练好的分割和分类模型,本文建立了一种皮肤病变智能诊断系统。该系统可以在两阶段的皮肤病变识别框架下,通过用户自主上传皮肤镜图像,获取分割和分类结果,这将有助于加快皮肤病诊断的智能化,缓解医学资源的紧缺和不均衡问题,为患者的早期筛查、准确诊治带来极大便利。