当前,人工智能时代已经来临,利用计算机视觉认知技术解决医学影像中病灶识别和标注问题是十分成功的智慧医疗应用场景之一。黑色素瘤作为一种皮肤癌症,具有早期难发现、晚期难治疗、致死率高的特点,随着患者数量的逐步升高,严重危害着人类的生命健康安全。黑色素瘤病损图像的分割往往需要专业的医生,效率低且成本高。因此,利用计算机技术辅助解决黑色素瘤分割问题对提高皮肤癌的诊断技术有十分重要的意义。利用皮肤镜采集图像过程中,由于使用油浸、入射角照明等技术造成样本图像出现光照亮度不同、气泡等噪声,且样本本身存在的毛发遮盖、边界模糊、形状不规则等原因,对分割精度的提升是一个挑战。现有的工作主要通过以下几个方面来提高模型对于病损边界区域像素的识别能力:1)在编码阶段降低下采样的次数增大特征图的分辨率来减小像素的损失,但是盲目的扩大特征提取阶段的特征图的分辨率造成计算资源需求的成倍增加。2)在解码阶段扩大高维特征图的分辨率以恢复更多的细节提升网络的粒度,但是反卷积操作会带来网格效应。3)改进损失函数加强对边界像素的监督能力。本文针对上述问题,为了提升黑色素瘤分割模型的精度和性能做了以下工作:本文针对现有模型存在的边界区域像素预测不准确及计算量大的问题,使用扩张残差网络和特征金字塔注意力机制提升网络的语义提取能力,在扩张残差网络中使用扩张卷积代替最大池化,在增大感受野的情况下不会减小输出特征图的分辨率。另外,对于高分辨率的密集像素预测任务,为了不增加模型的计算量,采用特征重用提高特征图中冗余信息的利用效率。本文采用逐步上采样的编解码结构,编码阶段的特征经过链式残差扩张卷积单元中的链式结构重复捕捉更多的尺度信息,并将提取到的特征用于弥补解码阶段上采样过程中恢复更多的细节。实验证明本文设计的多阶段特征提取的黑色素瘤分割算法比现有的算法有更好的像素判别能力,在ISIC2017数据集上同等条件下与现有算法对比取得81.6%的最好Dice精度。本文在第三章设计出的多阶段特征提取网络的基础上设计了一种计算量更小、内存要求更低的低权重的黑色素瘤分割网络模型。根据卷积分解原则本文对第三章中的算法做了以下替换:1)使用小卷积核代替大卷积核,2)使用深度可分离卷积和因子分解卷积代替普通卷积,3)使用带有空洞的因子分解卷积代替空洞卷积,4)依据通道分离-转换-合并策略控制卷积核的数量,降低参数量。经过消融实验分析本文的模型,该算法在精度损失较少的情况下参数量仅为原来的1/5,计算量下降为原来的1/47。