PMJAF-Net:用于解释皮肤病变细分的金字塔式多尺度联合关注和适应融合网络

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 皮肤病学 皮肤病学

背景情况:

• 卷积神经网络 (CNN) 在皮肤病变细分方面表现出色,但与低对比度和不规则形状作斗争.
• 在CNN中汇集操作会降低特征分辨率,导致边界模糊,准确性降低.

研究的目的:

• 提出一个新的可解释网络,PMJAF-Net,用于准确和可解释的皮肤病变细分.
• 解决传统CNN在处理低对比度和不规则的损伤边界方面的局限性.

主要方法:

• 开发了一种适应空间注意模块,用于长期的像素相关性和特征改进.
• 引入了一个金字塔式的多尺度道关注模块,以捕获多尺度和边缘信息.
• 设计了一个多尺度的自适应融合注意模块,用于跨解码阶段高效的特征融合.
• 实现了混合损失函数,专注于区域突出性和边界质量,以实现精确的细分.

主要成果:

• 在四个公共皮肤病变数据集上,PMJAF-Net实现了卓越的性能.
• 分区准确度指标显示了显著的改善:Dice (92.65%),JI (87.86%) 和ACC (96.26%).
• 视觉化注意力图增强了模型的解释性.

结论:

• PMJAF-Net有效地克服了皮肤病变细分的传统CNN的局限性.
• 拟议的网络为皮肤病学应用提供了更好的准确性,更清晰的界限和更好的解释性.