DI-UNet:用于皮肤癌图像细分的双分支交互式U-Net
Wen Yin1, Dongming Zhou2, Rencan Nie1
1School of Information Science and Engineering, Yunnan University, Kunming, 650504, China.
Journal of cancer research and clinical oncology
|August 30, 2023
概括
准确的皮肤病变细分对于早期发现黑色素瘤至关重要. 我们的新型双分支U-Net与先进的模块实现了最先进的结果,帮助皮肤科医生在临床决策.
科学领域:
- 皮肤病学和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 包括黑色素瘤在内的皮肤疾病很常见,如果不治疗,可能导致皮肤癌.
- 皮肤病变的精确细分对于早期诊断至关重要,但面临着各种颜色,模两可的界限和尺度差异等挑战.
- 黑色素瘤细分对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发一种新的,高度准确的方法来细分皮肤病变,特别是黑色素瘤.
- 为了应对复杂的颜色变化,边界模糊性和皮肤病变细分的尺度变化的挑战.
- 通过改善病变细分来提高皮肤癌的早期检测和诊断.
主要方法:
- 提出了一种双分支交互式U-Net架构,集成双采样策略 (垂直双分支).
- 引入了一种新的双通道对称卷积块 (DCS-Conv),用于水平的双分支结构.
- 实现了剩余的接和选择 (RFS) 模块,以专注于专注于相关功能和减少文物.
主要成果:
- 在ISIC2016和PH2皮肤癌数据集上实现了最先进的细分精度.
- 与以前的细分方法相比,表现出优越的性能.
- 新的架构和模块显著改善了整体细分性能.
结论:
- 拟议的双分支U-Net方法显示了皮肤病学临床应用的巨大潜力.
- 这种方法可以帮助皮肤科医生在进行皮肤癌诊断时做出更明智的临床决定.
- 先进的AI模型可以有效地提高皮肤病变细分的准确性和效率.
