使用深度学习去除皮肤镜图像中的毛发与伪影以增强皮肤癌检测

更清晰的皮肤图像以挽救生命

及早发现危险的皮肤癌可能意味着从简单的门诊手术到有生命威胁的疾病之间的差别。医生越来越依赖称为皮肤镜图像的特写皮肤照片，以观察痣中细微的颜色模式和边界。但在现实中，这些照片常常被毛发、光照眩光和阴影所干扰。这项研究展示了现代人工智能系统如何自动“清理”这些图像，去除视觉杂乱，同时保留医生和诊断软件需要用来更早发现黑色素瘤的精细细节。

杂乱皮肤照片的问题

尽管黑色素瘤比其他皮肤癌少见，但致死率远高，因此早期和准确的诊断至关重要。皮肤镜检查使临床医生能够观察皮肤表面下的结构，但图像很少是完美无瑕的。穿过视野的毛发、不均匀的照明以及皮肤或相机镜头的反光可能会模糊病变边界并掩盖色素模式。传统的清理方法依赖手工制作的规则和滤波器，通常仅在特定类型的毛发或光照条件下有效，并可能意外擦除病变的部分。同时，许多辅助诊断系统默认输入图像已经被清理，而在繁忙的门诊中这种情况很少见。

教网络识别应去除与应保留的内容

研究者通过训练一种称为 U‑Net 的深度学习模型来解决这一问题，使其在像素级别上将不需要的伪影与真实的皮肤病变分离。他们使用了两个大型的公开皮肤影像库，共收录超过 20,000 张含有良性与恶性病变的皮肤镜图像。每张图像都经过精心预处理：对颜色进行了归一化，以便不同相机或照明下拍摄的图片更可比；并通过水平翻转、旋转和轻微重着色等方式扩充数据集，以模拟临床实践中看到的多样性。

为杂乱构建精确的“真实标签”

关键步骤是准确告知网络哪些像素是毛发或其他杂乱，哪些属于病变或周围皮肤。皮肤科专家在代表性图像上手工绘制了详细的掩码，描绘细薄的毛发、尺子标记、眩光斑和阴影，同时避开重要的病变结构。随后使用传统的图像处理工具为更多图像生成初稿掩码，专家对这些掩码进行了审查和修正。所有图像与掩码都被调整到标准格式，以便网络学习一致的模式。在训练过程中，定制的损失函数既奖励模型精确地划出伪影，又惩罚其对病变细节（尤其是非常细小或薄弱结构）的意外破坏。

更清晰的图像与更佳的癌症检测

模型训练完成后，在未见过的图像上进行了测试。图像质量指标显著改善：清理后的图像与理想参考图像更为相似，其结构得到了更好的保留。网络在标注毛发和其他伪影方面也学到了高精度，即便在毛发密集或形状不规则时亦然。为了解这在临床上的意义，作者将原始图像与清理后图像分别输入现有的黑色素瘤检测 AI。使用清理后图像，该分类器的准确率从约 84% 提升到大约 90–92%，关键的性能平衡指标（F1 分数）提高了近 10 个百分点。模型在决策上的置信度也有所上升，尤其是在此前因杂乱遮蔽病变边界的困难病例中。

这对未来皮肤检查意味着什么

这项工作表明，去除毛发和其他视觉杂乱并非仅仅是美化编辑，而是可靠的计算机辅助皮肤癌诊断的关键第一步。通过在现有分类器前嵌入一个伪影去除网络，门诊和远程医疗服务可以实时获得更清晰、更标准化的皮肤镜图像，而无需增加医生的工作负担。这一方法仍需在更多样的肤色、相机和临床环境中进一步测试，但它为更可靠的 AI 辅助黑色素瘤筛查以及最终为患者争取更早治疗提供了一条可行路径。

引用: Hammouda, N.G., Shalaby, M., Alfilh, R.H.C. et al. Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection. Sci Rep 16, 14452 (2026). https://doi.org/10.1038/s41598-026-44545-x

关键词: 黑色素瘤, 皮肤镜, 深度学习, 图像预处理, 皮肤癌检测