摘要
本文提出了一种简单且计算效率较高的方法，用于基于深度学习架构SegNet的自动皮肤病变分割，该方法在保持较低复杂度的前提下，引入了若干优化措施以提升分割效果。其次，研究旨在尽可能减少图像的预处理与后处理步骤。所提出的模型在PH2数据集的有限图像样本上进行训练，该数据集包含皮肤镜图像、人工标注的分割掩膜，以及由专业皮肤科医生完成的临床诊断和多种皮肤镜结构的识别信息。实验目标是在评估后实现Jaccard指数（即交并比，IOU）达到92%的性能阈值。
本文提出了一种简单且计算效率较高的方法，用于基于深度学习架构SegNet的自动皮肤病变分割，该方法在保持较低复杂度的前提下，引入了若干优化措施以提升分割效果。其次，研究旨在尽可能减少图像的预处理与后处理步骤。所提出的模型在PH2数据集的有限图像样本上进行训练，该数据集包含皮肤镜图像、人工标注的分割掩膜，以及由专业皮肤科医生完成的临床诊断和多种皮肤镜结构的识别信息。实验目标是在评估后实现Jaccard指数（即交并比，IOU）达到92%的性能阈值。