摘要
准确评估皮肤疾病严重程度对于实现患者精准治疗具有关键作用。痤疮（acne vulgaris）是青少年中最常见的皮肤疾病，临床上通常采用基于证据的皮损计数方法与基于经验的总体评估相结合的方式进行分级。然而，由于不同严重程度的痤疮在外观上具有高度相似性，准确计数与分级仍面临较大挑战。针对这一问题，本文提出基于标签分布学习（Label Distribution Learning, LDL）的痤疮图像分析方法，以有效处理痤疮严重程度之间存在的模糊性信息。基于专业分级标准，我们构建了两种痤疮标签分布：一种考虑了皮损数量与严重程度之间的关联关系，另一种则侧重于相似皮损数量下严重程度的不确定性。同时，本文提出一个统一的联合框架，实现痤疮图像的分级与皮损计数任务，并通过多任务学习损失函数进行优化。此外，我们进一步构建了ACNE04数据集，其中包含每张图像的痤疮严重程度标注及皮损数量标注，用于模型评估。实验结果表明，所提出的框架在性能上优于当前最先进的方法。相关代码与数据集已公开发布于：https://github.com/xpwu95/ldl。