皮膚癌是世界上最常見的、增長最快的癌癥之一。其中，黑素瘤是最惡性的皮膚癌，2018年新增28.77萬人并導致6.07萬人死亡。皮膚鏡是皮膚科醫生用來區分黑色素瘤的使用最廣泛的工具之一，皮膚鏡圖像中病灶的自動精準分割是計算機輔助皮膚癌診斷的基礎步驟，其可提供病灶的位置、形狀、大小等定量信息，對提高皮膚癌診斷的準確性和效率具有重要作用。然而，由于皮膚癌病灶往往呈現多變的尺度、不規則的形狀、模糊的邊界以及毛發等噪聲的干擾，現存的分割模型面臨著類內不一致、類間難區分的挑戰。
　　針對上述問題，中國科學院蘇州生物醫學工程技術研究所楊曉冬課題組等提出了一種基于全局和局部像素間相關性學習的皮膚癌病灶分割算法。在編碼器-解碼器架構下，研究人員設計了金字塔transformer像素間相關性模塊，旨在捕獲不同層次的非局部上下文信息，并進一步探索全局像素級相關性，以應對病灶形狀及尺寸的大變化性；此外，設計了局部鄰域度量學習模塊，以增強分割模型的局部語義相關性學習能力，提高特征空間中類別之間的可分離性。該算法通過同時學習建模全局和局部像素間相關性來增加類間差異與類內一致性，在三個公開皮膚鏡數據集（ISIC2018、ISIC2016、PH2）上進行了實驗，算法性能達到較高水平。
　　該研究成果以ICL-Net: Global and Local Inter-pixel Correlations Learning Network for Skin Lesion Segmentation為題在線發表在IEEE Journal of Biomedical and Health Informatics上。研究工作獲得江蘇省衛生健康委員會、浙江省科學技術廳和蘇州市科學技術局、常州市醫學物理重點實驗室等項目的支持。
　　論文鏈接 
　　圖1 基線方法(ResUnet)和提出方法的分割結果
　　圖2 分割算法網絡結構
　　圖3 分割結果對比