近期，我院汪天富教授团队在医学图像分析领域顶级期刊Medical Image Analysis（影响因子8.88）发表了题为“Skin Lesion Segmentation via Generative Adversarial Networks with Dual Discriminators”的论文。论文第一作者是雷柏英副教授，通讯作者是中科院深圳先进技术研究院的王树强教授，深圳大学为第一署名单位。该研究是与新加坡南洋理工大学、澳大利亚莫纳什大学、中科院宁波工业技术研究院、香港理工大学合作完成的。

恶性黑色素瘤作为最致命的皮肤癌，也是世界上增长最快的癌症之一。皮肤黑色素瘤Ⅰ到Ⅳ期的5年生存率依次为97%（ⅠA期）、84%（ⅠB期）、68%、55%、17%。由此可见，早期诊断和及时的治疗对于黑色素瘤患者极为重要。目前临床上最常用的诊断手段是通过皮肤镜图像观察，这对医生的专业水平和临床经验具有较高的要求，误诊率较高。皮肤病变区域的边界检测是皮肤镜图像自动分析至关重要的一步，因此，研究高效的皮肤镜图像病灶自动分割方法，对于提高医生的诊断精度，及时干预治疗具有重要的临床价值。

提出的基于双判别生成对抗网络的皮肤病分割模型流程图

在ISIC 2017数据集上不同网络的分割性能比较。前两列分别表示输入图像和分割标签，其他列表示不同方法的分割结果。

绿色和红色曲线分别表示生成的分割结果和分割标签。DAGAN是该研究提出的方法。

该研究提出双判别生成对抗网络用于皮肤病病灶区域自动分割。研究团队首先构建了一个具有深度编码-解码能力的网络作为生成器来生成分割图像，通过跳跃连接和稠密空洞卷积提取更有效的特征和更丰富的细粒度信息，从而提高生成器生成图像的质量。还提出了一种双重判别策略，利用两个判别器从不同的角度严格检测和区分虚假图像和真实图像。该方法在多个皮肤病图像数据库进行了实验验证，在ISIC 2016、ISIC 2017、ISIC2018数据库分别获得了96.0％，93.5％和92.9％的平均分割精度。与现有的方法比较，该方法在准确率、特异性、敏感性、Jaccard指数以及Dice系数等指标上均有良好的表现。实验结果表明，该研究提出的方法能够提高皮肤病病变区域分割的精度，有助于医生在临床上做出更加准确的诊断，降低误诊率。

研究获得了国家自然科学基金、广东省国际科技合作项目、广东省珠江人才计划、深圳市孔雀计划和深圳市重点基础研究计划等项目资助。

研究成果链接：https://doi.org/10.1016/j.media.2020.101716