皮肤癌是一个人类需要克服的重大公共健康问题,全球每年有超过五百万新诊断病例。在2015年,全球黑色素瘤发病率超过35万例子,死亡人数近6万人。尽管死亡率很高,但早期发现时,黑色素瘤存活率超过95%。通常皮肤科医生通过肉眼观察和组织病理学活检的方法对黑色素瘤进行早期的筛查和确诊[1]。但是,即使是有经验的专家仅凭肉眼诊断也存在较高的误诊,导致了很多不必要的病理学活检。病理学活检虽然是诊断金标准,但常常会给患者带来经济上的压力与身心上伤害。近几年来,皮肤镜辅助诊断技术在国内外迅速发展,为临床医生带来了巨大的便捷与效率上的提升,同时随着国家大力发展人工智能,皮肤镜辅助诊断技术与人工智能的结合进一步提高了临床诊断的准确率。皮肤镜下特征与组织病理常有着对应关系,是联系临床与病理的桥梁[2]。如何设计一个系统,简单便捷快速的对皮肤镜图像进行分析处理,提高医生的诊断能力,缩短诊断时间,是一个值得解决且非常有意义的问题。本文基于深度学习、数字图像处理技术和Electron客户端框架技术设计并实现皮肤镜图像分析处理系统。系统的主要功能模块为以下部分:1.系统引入了质量评价模块,实现了模糊质量评价、光照不均质量评价和毛发遮挡质量评价。用户由于操作不当或者患者毛发旺盛经常会导致图片模糊、光照不均和毛发遮挡严重,从而使得该图片难以分析处理,该功能模块会告知质量较低的图片。该功能提高了用户使用体验,用户不需要在通过肉眼去衡量一张皮肤镜图片的优劣。同时,质量较低的图片减少提高了后续模型的准确率,降低了误诊率,提高了诊断的特异性。2.系统引入深度学习算法对皮肤镜图片进行病灶分割、病灶皮肤镜属性分割、皮肤病识别和病灶良性恶性预测四种分析。病灶分割功能与病灶皮肤镜属性分割功能均采用U-net神经网络进行训练得到。皮肤镜识别功能与病灶良性恶性识别功能采用Google-Net神经网络进行训练得到的。并且系统使用杰卡德指数和准确性指数对模型进行评价。病灶分割得到的皮损边界和病灶皮肤镜属性分割得到的皮肤镜属性区域能为医生后续皮损类型的分析提供可靠依据;皮肤病识别和病灶良性恶性预测为医生和患者提供诊断参考,该功能可以使患者及时被发现,大大降低患者的死亡率。3.系统引入皮肤镜图像增强模块,通过数字图像处理技术获取病灶分割结果和病灶皮肤镜属性分割的轮廓,使各区域更加清晰的呈现。使用顶帽闭算法提取毛发,并且使用图片修复算法对毛发进行去除操作。该功能优化了用户阅片体验,使得用户更加清晰的可以观察到病灶区域,并且毛发去除功能也可以提高模型识别的准确性。4.系统引入数据操作模块,使用Cornerstone组件为用户提供图片缩放、移动、窗宽窗位调节、放大镜、椭圆标注、矩形标注、画笔、橡皮擦、旋转、反色和镜像反转等功能。本文最终实现了皮肤镜图片分析处理系统,用户导入皮肤镜图片后即可对其进行自动的分析与处理,识别得到的病灶分割结果会快速实时绘制在原图中。图形可视化的界面大大提高了用户的使用体验,并且耗时数秒内的分析处理功能极大地方便了医生进行读片,医生可以在快速查看到皮肤镜图片的病灶区域、病灶皮肤镜属性区域、病灶诊断预测结果和良性恶性预测结果。使用杰卡德系数高与准确率高的深度学习模型提高了临床诊断的特异性,避免了不必要的活检。本人独立完成了整个系统的设计、实现和测试。