血管内皮细胞异常快速增长称为血管瘤，根据血管瘤的性质可分为良性、局部侵袭或交界性、恶性血管瘤，作为临床常见的良性肿瘤，它的特点是生长比较缓慢，边界比较清楚，大部分有完整的包膜。临床应用中，主要通过扩大切割范围将其彻底切除，但由于部分血管瘤呈弥漫性的生长，边界不够清楚，以及在医学图像成像过程中，易受到设备噪声以及位置的影响，导致所得图像呈现模糊、伪影、不均匀、对比度低、各器官组织之间及病变区域和正常区域之间边缘界线不清晰等特性。此时做手术难以切除干净，需要有可靠且精度高的算法来辅助医生获取病变区域、各成分信息同时提高病变识别的准确率，从而间接降低血管瘤切割手术的失败率。实现可靠且精度高的血管瘤分割系统能够显著减少阅片医师的工作量，提高检测效率，节省人力，并为术后复查提供阅片参考。因此对血管瘤的准确分割及对相应的分割方法进行研究具有十分重要的实际意义。随着信息技术和临床医学的不断进步，深度学习技术的精确性使得这些技术可以被灵活应用于医学领域，用于相关疾病的分割和检测，辅助医生获取病变区域从而提高病变识别的准确率。

本作品利用深度学习卷积神经网络的强大学习能力，使用在医学图像分割领域已取得显著成果的Unet模型对血管瘤图像进行分割，模型融合了MobileNetV2网络作为主干网嵌入Unet模型，MobileNetV2中采用的深度可分离卷积网络可以实现神经网络的轻量化和加速，减少模型参数数量并提高血管瘤分割速度，使得实现的血管瘤分割系统能够部署到便携式设备上，方便医生的使用。在便携式设备上部署本毕业设计实现的血管瘤分割系统之后，医生可以随时随地对血管瘤图像进行诊断，确保患者接受更理想的治疗。

为了便于用户使用，我们将预测方式、结果整合人的思维方式和习惯进行转换，即设计用户界面（user interface， UI）。使系统的操作逻辑更加清晰直观，人机交互更为简单自由，极大程度提高界面的美观性，让软件的操作变得简易舒适。