少即是多：使用 YOLO26 对联合皮肤病变分类与分割进行受泄漏控制的皮肤镜图像预处理研究

arXiv:2610.08570v1 公告类型：新 摘要：手工设计的预处理方法被广泛用于自动化皮肤镜图像分析，以抑制成像伪影并增强病变可见性。然而，鉴于同一病变图像之间的相关性未得到充分控制的评估方案，其对现代实时模型的实际贡献仍不明确。本研究针对皮肤镜图像预处理和数据增强进行了受泄漏控制且病变互斥的评估，采用固定的纳米级 YOLO26 分割模型（YOLO26n-seg），联合执行多类别病变分类与实例分割。在 HAM10000 的 10,015 张图像中，经过质量控制后得到来自 7,468 个独立病变的 10,013 个有效图像—掩码对，并依据病变身份划分为彼此互斥的数据集。在保持模型架构、分辨率、训练预算和评估方案不变的条件下，我们比较了轻度预处理图像结合在线数据增强、离线类别平衡、DullRazor-CLAHE 预处理，以及原始—处理混合视图，并使用三个随机种子进行实验。在病变互斥的测试集上，原始基线模型的掩码 mAP$_{50:95}$ 为 $0.5636 \pm 0.0234$，Dice 分数为 $0.9356 \pm 0.0024$，宏平均 F1 分数为 $0.6917 \pm 0.0202$。离线数据增强未提升平均性能，而组合策略和混合策略均降低了类别感知分割与分类的准确性。该模型仅含 269 万个参数，运行速度约为每秒 50 帧。在受泄漏控制且病变互斥、所有非输入因素均保持不变的评估方案下，轻度预处理的皮肤镜图像结合标准在线数据增强，相较于日益复杂的确定性预处理，能够实现更优的准确率—效率权衡；在 HAM10000 上，后者在三个随机种子下未能带来一致的联合收益。