Video Experimental Relacionado
Updated: Jan 7, 2026
03:31
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
987
DMFF-Net: una red de fusión de características multiescala basada en DeepLabV3 para la segmentación de lesiones
Tao Jiang1, Shange Wang1, Lin Xu1
1School of Intelligent Medicine, Chengdu University of Traditional Chinese Medicine, Chengdu, China.
Frontiers in medicine
|December 12, 2025
Resumen
DMFF-Net, un novedoso modelo de aprendizaje profundo, mejora significativamente la precisión de la segmentación de lesiones cutáneas para la detección temprana del cáncer de piel. Esta red avanzada supera eficazmente desafíos como límites poco claros y bajo contraste, mejorando las herramientas de diagnóstico.
Área de la Ciencia:
- Análisis de Imágenes Médicas
- Diagnóstico Asistido por Computadora
- Dermatología
Sus antecedentes:
- La segmentación precisa de lesiones cutáneas es vital para la detección temprana del cáncer de piel.
- Los desafíos incluyen límites poco claros, bajo contraste y formas de lesiones variadas.
- Los métodos existentes tienen dificultades con tareas de segmentación complejas.
Objetivo del estudio:
- Proponer DMFF-Net, una red de fusión de características multiescala y multiatención.
- Mejorar la precisión de la segmentación de lesiones cutáneas en imágenes médicas.
- Abordar las limitaciones de las técnicas de segmentación actuales.
Principales métodos:
- Se desarrolló DMFF-Net basado en la arquitectura DeepLabV3.
- Se integró el Módulo de Atención de Coordenadas de Red Global (GGCAM) para la fusión de características espaciales y de canal.
- Se empleó Convolución Dilatada Separable en Profundidad Multiescala (MDSDC) para la extracción robusta de características multiescala.
- Se utilizó Fusión de Características de Nivel Medio-Alto (MHLFF) para refinar las características y suprimir el ruido.
Principales resultados:
- DMFF-Net logró un rendimiento superior en los conjuntos de datos ISIC 2016, 2017, 2018 y PH2.
- Se informaron valores de MIoU de 89,31%, 91,47% y 86,93% en los conjuntos de datos ISIC.
- Se logró una alta precisión (hasta 97,33%) y puntuaciones F1 (hasta 96,93%), lo que demuestra su eficacia.
Conclusiones:
- DMFF-Net mejora significativamente la precisión de la segmentación de lesiones cutáneas.
- Los mecanismos de fusión multiescala y atención de la red conservan los detalles espaciales y mejoran la representación de características.
- DMFF-Net muestra potencial como una herramienta valiosa para el diagnóstico de lesiones cutáneas y la investigación de segmentación de imágenes médicas.
