黑色素瘤是一种极具侵袭性的皮肤癌，在全球范围内导致了大多数与皮肤癌相关的死亡。在过去的几十年里，黑色素瘤的发病率一直在稳步上升，成为了一个重大的公共卫生问题。早期检测对于提高黑色素瘤患者的生存率至关重要，早期诊断的患者 5 年生存率超过 90%，而晚期诊断的患者则低于 20%。早期诊断还可以减少侵入性治疗、降低医疗成本。数字技术在黑色素瘤诊断中的应用日益重要，如无接触式皮肤镜和计算机对色素性皮肤病变的分析等。本研究提出将循环一致对抗网络（Cycle-GANs）应用于将痣的皮肤镜图像转换为模拟的黑色素瘤对应图像，以展示痣和黑色素瘤之间的细微差别，帮助皮肤科医生向患者解释为何某些病变不需要切除以及在后续检查中应注意哪些变化。同时，利用 Cycle-GANs 模拟皮肤病变的进展，为基于图像处理的新型诊断标准提供了测试机会。
本研究中，Cycle-GANs 适用于无配对的图像到图像转换任务，其架构由两个生成器网络和两个判别器网络组成。模型使用来自 SIIM-ISIC 数据集的 1571 张黑色素瘤图像和 1571 张痣图像进行训练，训练条件类似于原始的 Cycle-GAN 出版物。在初始生成模拟帧后，进行了一个后处理步骤以解决颜色不一致问题。通过帧插值，创建了从原始皮肤镜痣图像到模拟黑色素瘤对应图像的无缝和渐进过渡。
为评估模拟的皮肤病变进展如何符合黑色素瘤诊断的 ABCDE 规则，本研究实施了病变属性的计算，并对模拟中的每个图像进行了评估。还采用了 Farneback 的光流方法来分析模拟帧内的变换，通过积累光流向量创建热图来可视化变化程度。为了评估生成图像对痣或黑色素瘤病变的相似性，训练了一个分类器并分析其对所有生成帧的置信度。
结果表明，分类模型最初能准确将痣输入图像识别为痣病变，随着模拟进展，对痣的诊断置信度降低，对黑色素瘤的置信度增加。在模拟的黑色素瘤进展中，某些样本在某些指标上的变化更显著，如样本 S7 的不对称性增加更明显，S2 的病变直径增加显著。一些指标与预期的 ABCDE 规则相反，如边界梯度在模拟中变得更尖锐。
与现有文献相比，本研究通过提供病变演化的动态监测方法，与其他研究在早期黑色素瘤检测和减少不必要手术方面的结论一致，并扩展了相关研究。
本研究通过结合病变进展模拟和光流分析，为皮肤科提供了相关见解。模拟遵循 ABCDE 规则，为代表皮肤病变的演变提供了可靠方法，光流分析突出了病变内的动态变化。此方法为黑色素瘤诊断提供了更直观和易懂的方式，有助于患者理解诊断，也有助于开发针对病变变化检测的算法。未来的挑战包括提高图像分辨率和减少伪影和边界效应，并计划通过获取皮肤科医生的独立诊断来验证生成的病变，探索该方法在其他皮肤病和医学成像数据集中的通用性，并与实际病变进展进行比较。
