皮肤病变图像分割作为医学图像分割的一个领域,对皮肤科医生诊断皮肤疾病具有重要意义。近年来,随着人工智能热潮的兴起,借助深度学习方法对皮肤病变图像分割进行研究具有广阔的应用前景。针对皮肤病变图像中病变区域的形状、纹理、与周围未发生病变区域对比度相对较低等因素对分割结果造成较大偏差的问题,本文基于深度学习方法从不同的角度提出了3种分割算法用于皮肤病变图像分割。首先,本文提出了基于改进全卷积网络的皮肤病变图像分割算法。该算法是在全卷积(FCN)网络的基础上,引入Jaccard-Diceloss损失函数替代FCN网络中的softmax损失函数从而得到一个新的分割网络即改进全卷积(IFCN)网络。IFCN网络将不仅继承FCN网络的优点,而且能够解决训练预测过程中病变图像的病变区域(即前景)与非病变区域(背景)区别过大的问题。通过对IFCN网络训练预测得到了皮肤病变图像的各项评估指标值与分割结果均达到最优,表明IFCN网络的有效性和准确性。其次,本文提出了多尺度全卷积密集块(MSFCDN)网络的皮肤病变图像分割算法。该网络采用多尺度结构、全卷积结构以及密集块结构等共同构造,用以解决图像特征提取不充分等问题。通过实验得到各项评估指标值均超过实验预期结果,病变区域分割效果精细准确,表明MSFCDN网络的有效性。最后,本文提出了基于多尺度的编码-解码(MSEDN)网络的皮肤病变图像分割算法。该网络采用多尺度输入与编解码的结构形式,同时在编码网络中的pool2层输出一个双线性插值的中间预测层到解码网络中进行级联输入,用以解决一般网络训练速度过慢,模型参数存储过大,特征提取不充分等问题。通过实验得到各项评估指标值与病变分割区域示意图均达到预期,表明MSEDN网络对皮肤病变图像分割具有较好的准确率。