本文研究了皮肤镜图像中皮肤病变自动分类的问题，特别是在协同深度学习(Synergic Deep Learning, SDL)模型下的应用。皮肤癌是美国和其他国家最常见的癌症形式之一，每年发生的病例达数百万。皮肤镜检查是一种利用放大和消除表面反射的视觉检查技术，是提高诊断性能和降低黑色素瘤死亡率的重要手段。在皮肤镜图像中自动识别黑色素瘤是一项具有挑战性的任务。
文章首先介绍了一个重要的背景信息：皮肤癌在很多国家是极为常见的癌症类型，并且皮肤镜检查技术对于提高诊断准确性和减少黑色素瘤死亡率起到了重要作用。文章进一步说明了通过使用协同深度学习模型来解决皮肤病变分类问题的动机和方法。该模型不仅使用了双重深度卷积神经网络（Dual Deep Convolutional Neural Networks, DCNNs），还允许这些神经网络互相学习。模型将两个DCNN学习到的图像表示连接起来作为协同网络的输入，该网络拥有全连接结构，并预测输入图像是否属于同一类别。在每个多层感知器和协同网络的分类错误的监督下，模型以端到端的方式进行训练。文章还提到，模型在ISIC 2016皮肤病变分类数据集上进行了评估，并取得了领先性能。
在引言部分，作者详细介绍了皮肤镜图像中自动分类的难点，这些难点主要是由于病变内部的类别间差异很大以及不同类别之间存在相似性。在这种背景下，深度学习技术相比于传统依赖手工特征的方法展现出了显著的优势，但是仍面临挑战。为了应对这些挑战，作者提出了协同深度学习模型，该模型采用了两个DCNNs，它们能够相互学习，通过结合两个网络学到的图像表征作为输入，协同网络可以预测输入图像是否属于同一类别。
在协同网络中，作者使用了全连接层结构，这些网络的训练是在两个DCNN分类错误和协同错误的监督下进行的。这种端到端的训练方式确保了模型能够有效地学习并提升分类准确率。
通过协同深度学习模型，作者在ISIC 2016皮肤病变分类数据集上评估了所提出的模型，并实现了领先于现有技术的性能。这表明了协同深度学习模型在提高皮肤镜图像中病变分类准确度方面的潜力，对于通过计算机辅助诊断来辅助医生进行诊断具有重要意义。
文章中还提到了一些先前的研究成果，如Ge等人展示了使用皮肤镜图像和临床皮肤图像进行跨模态学习的深度卷积神经网络的效能；而Yue等人提出了利用非常深的深度卷积神经网络进行皮肤镜图像中自动黑色素瘤识别的方法。
总体而言，本研究论文深入探讨了协同深度学习在皮肤病变分类领域的应用，特别是在皮肤镜图像分类方面，通过创新的深度学习方法解决了分类中的关键挑战，并在临床数据集上证明了其有效性。这篇论文不仅为计算机辅助诊断领域提供了新的见解和工具，也为深度学习在医学图像处理中的应用奠定了重要的基础。
