BiDFDC-Net:基于双向反的密集连接网络,用于皮肤图像细分
Jinyun Jiang1, Zitong Sun1, Qile Zhang2
1College of Mechanical Engineering, Quzhou University, Quzhou, China.
Frontiers in physiology
|July 6, 2023
概括
这项研究介绍了BiDFDC-Net,这是一个新的深度学习框架,用于在皮肤镜图像中准确地细分皮肤病变. 拟议的网络增强了特征传播和多尺度信息融合,在临床应用中实现了高精度.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 皮肤病学 皮肤病学
背景情况:
- 准确的皮肤病变细分对于患者的生存率至关重要.
- 挑战包括模糊的边界,多样化的特征,以及皮肤图像中的细胞突变.
- 现有的细分算法缺乏有效性和稳定性.
研究的目的:
- 提出一个强大而准确的皮肤病变细分框架.
- 解决深度网络中梯度消失和信息丢失的挑战.
- 为了增强特征传播和多层次的背景信息融合.
主要方法:
- 开发了一个基于U-Net架构的双向反密集连接网络 (BiDFDC-Net).
- 在编码器中集成边缘模块,以减轻梯度消失和信息丢失.
- 采用密集的连接来增强功能传播和重复使用.
- 使用双分支解码器进行多级特征和上下文信息融合.
主要成果:
- 在ISIC-2018数据集上实现了93.51%的准确性.
- 在PH2数据集上实现了94.58%的准确性.
- 在皮肤病变细分方面表现出更好的有效性和稳定性.
结论:
- BiDFDC-Net在皮肤镜像中有效地对皮肤病变进行细分.
- 拟议的架构克服了现有方法的局限性.
- 这种方法具有显著的潜力,可以提高皮肤病学诊断的准确性.


