皮肤癌是世界上最常见的、增长最快的癌症之一。其中，黑素瘤是最恶性的皮肤癌，2018年就新增28.77万人并导致6.07万人死亡。皮肤镜是皮肤科医生用来区分黑色素瘤的使用最广泛的工具之一，皮肤镜图像中病灶的自动精准分割是计算机辅助皮肤癌诊断的基础步骤，其可提供病灶的位置、形状、大小等定量信息，对提高皮肤癌诊断的准确性和效率具有重要作用。
然而，由于皮肤癌病灶往往呈现多变的尺度、不规则的形状、模糊的边界以及毛发等噪声的干扰，现存的分割模型面临着类内不一致、类间难区分的挑战（如图1所示，病灶内部的孔洞以及病灶边界附近割裂的片段）。
针对此问题，苏州医工所杨晓冬课题组提出了一种基于全局和局部像素间相关性学习的皮肤癌病灶分割算法。该算法整体结构如图2所示，在编码器-解码器架构下，首先设计了金字塔transformer像素间相关性模块，旨在捕获不同层次的非局部上下文信息，并进一步探索全局像素级相关性，以应对病灶形状及尺寸的大变化性。此外，还设计了局部邻域度量学习模块，以增强分割模型的局部语义相关性学习能力，提高特征空间中类别之间的可分离性。该算法通过同时学习建模全局和局部像素间相关性来增加类间差异与类内一致性，在三个公开皮肤镜数据集（ISIC2018、ISIC2016、PH2）上进行了实验，算法性能达到了当前最好的水平，部分代表性的分割结果如图3所示。
该研究成果 “ICL-Net: Global and Local Inter-pixel Correlations Learning Network for Skin Lesion Segmentation” 已在线发表在 IEEE Journal of Biomedical and Health Informatics杂志上。论文第一作者为研究生曹维维，郑健研究员与常州二院倪昕晔教授为通讯作者。该项工作受到江苏省卫健委（M2020006）、浙江省科技厅（LQ19H110001）和苏州市科学技术局（SJC2021023）、常州市医学物理重点实验室（CM20193005）等项目的经费支持。
论文链接：https://ieeexplore.ieee.org/abstract/document/9745347