1.基于空洞卷积和多尺度融合的黑色素瘤分割方法，包括以下步骤：

步骤1)预处理医学图像；

对采集到的皮肤镜图像的数据按照7：1：2划分为训练集，验证集和测试集，并将图像像素大小设置为128*128；对用于网络训练的训练集图像做数据增广处理，在‑30°至30°范围随机旋转，随机水平翻转和随机缩放至原图0.8和1.2倍之间；

步骤2)构建具有灵活感受野的多尺度聚合网络模型；

2.1构建通道注意空洞卷积模块用于特征提取；

以通道注意空洞卷积层代替U‑Net中的编码层，将步骤1)中的皮肤镜图像作为输入，输出提取到的特征图feature map为后续网络提供输入；每一层都使用三个平行的空洞卷积提取特征，每个空洞卷积的扩张率都不同；然后对提取到的特征图进行全局平均池化操作，通过考虑每个通道及其k个邻居通道，捕获跨通道交互信息，为特征图的每个通道重新分配权重，然后将三个特征图相加得到这一层的输出特征图；浅层通常学习到简单的纹理信息，随着层数越深，将捕获到复杂的抽象信息；

下采样共采用5个通道注意空洞卷积层，每层使用三个平行的空洞卷积的卷积核大小均为3*3，扩张率分别设置为1、2、3，步长stride＝1，填充padding与各自的扩张率相同，池化pooling操作均采用2*2最大池化；输入128*128*3的图片，同时经过64个卷积核的三个空洞卷积得到三个通道数为64的特征图feature map，之后经过通道关注模块全局平均池化操作得到1*1*C大小的向量，然后采用卷积核大小为3的1*1卷积获得跨通道信息，之后用Sigmoid函数激活，与原先特征图系数相乘为每个通道分配各自的权重，最后相加得到128*

128*64的特征图，采用一个pooling操作作为下一层编码层的输入；重复这样的五次操作，编码层分别得到通道数为64、128、256、512、1024的特征图；模块可以描述为：其中D表示空洞卷积，u表示扩张率，C表示通道关注模块，f表示输入的特征；

2.2构建聚合交互模块，即AIM；

聚合交互模块的提出是为了弥补编码层和对应的解码层的特征图之间的语义差距，抑制跳跃连接可能引起的噪声；U‑Net中将两者直接聚合，由于两者之间的语义信息相差较大，会产生信息冗余的噪声，因此会影响最终的分割结果；AIM从相邻的编码层接收特征图i‑1 i i+1f 、f 、f ，通过一个3*3的卷积层降低特征的通道数以减少计算量；接着每一分支B采用池化或插值操作缩放至相邻分支特征图大小，每个分支融合采用系数相加；最后，所有分支被整合到一个卷积层中，为了训练更容易优化，输出加入了残差模块；整个模块过程可以写成：i

其中I和M分别表示残差映射和分支合并，B表示i分支的操作，f表示输入的特征；

2.3构建解码层；

解码层将编码层得到的特征图进行上采样操作，然后与聚合交互模块输出的特征图进行系数相加，经过两次3*3的卷积层操作后得到输出特征图；在最后一解码层后接一个1*1的卷积层以及Sigmoid函数处理得到最终的分割结果；Sigmoid函数定义如下：步骤3)将训练集数据输入模型中进行训练；

将步骤1)中的处理好的训练集输入到步骤2)中构建好的网络模型中，采用随机初始化和Adam优化方法；设置初始化学习率、动量、迭代次数，根据设置好的训练策略进行训练；首先将输入的训练集进行数据增广处理然后进行训练，然后将验证集在训练后的网络模型上得到验证结果，之后按梯度更新一次，重复这样的步骤直到达到迭代次数；

批次大小为12，epoch为80，初始学习率为0.0001，动量为0.9；对训练得到的prediction与groundtruth采用tversky loss+consistency‑enhanced loss进行训练，损失函数可以写成：Ltotal＝Ltver(pi,gi,α,β)+Lcel(pi,gi)       (7)其中α设置为0.3，β设置为0.7，p和g分别表示预测图和标定好的标准图；

步骤4)皮肤镜图像病灶区域分割；

将测试集数据输入步骤3)中训练好的预测模型中，得到分割结果，由评估指标评价分割结果好坏，包括精确度(AC)，骰子系数(DI)，雅卡尔指标(JA)，灵敏度(SE)，评估指标计算方式如下：其中，TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性。