以黑色素瘤为代表的皮肤癌是一种严重的皮肤疾病，每年不仅患病人数多，而且死亡率高，严重威胁人类的健康。借助皮肤镜图像技术，对皮肤癌进行分割，是为临床医生提供辅助诊断和治疗的重要方式。在当前提出的皮肤癌分割方法中，基于传统图像处理的皮肤癌分割方法效果不够理想，而基于深度学习的皮肤癌分割方法被广泛采用。
　　针对U-net模型中连续的下采样次数过多，导致精度损失，以及Deeplabv3模型中输出的特征图分辨率太小，导致预测结果的边缘有明显锯齿状的问题，提出了U-DeepLab模型。该模型的整体结构仍然采用编码器-解码器结构，并加入了空洞金字塔模块(ASPP)，通过将几个不同空洞率的空洞卷积并联，可以在不过多降低特征图分辨率的前提下，提取图像中的多尺度信息。模型输出的预测结果的尺寸和原输入图像的尺寸相同，这样就保证了分割边缘的精细度和平滑度，同时还提升了在皮肤癌分割上的效果。
　　在语义分割任务的众多性能评估目标中，Jaccard指数(IOU)是其中最常用的指标。针对交叉熵损失没有直接优化Jaccard指数，以及IOU-loss只适用于离散情况的计算等问题，提出使用Lovasz-hinge损失函数训练皮肤癌的分割模型。Lovasz-hinge损失函数是针对Jaccard指数专门设计的，它在Jaccardloss的基础上进行Lovasz拓展，使其连续可导，且输入空间从离散域变成连续域，从而起到优化模型参数的目的。使用Lovasz-hinge损失函数训练优化U-DeepLab模型，将皮肤癌病变区域的分割效果进一步提升。
　　使用ISIC2018数据集对模型的分割效果进行评估。在训练过程中，使用最大的批量大小，采用数据增强，预热+余弦退火的学习率调整策略和迁移学习；在模型预测阶段，使用测试时数据增强(TTA)。实验结果显示，U-DeepLab模型在ISIC2018数据集上的JaccardIndex达到了0.826，使用Lovasz-hinge损失函数训练后，U-DeepLab模型的JaccardIndex进一步提升，达到了0.854，超过了皮肤科专家的分割水平。