基于注意力的双路径特征融合网络,用于皮肤病变的自动细分
Zhenxiang He1,2, Xiaoxia Li1,3, Yuling Chen1,3
1School of Information Engineering, Southwest University of Science and Technology, Mianyang, China.
BioData mining
|October 8, 2023
概括
本研究介绍了基于注意力的双路特征融合网络 (ADFFNet),用于改善黑色素瘤诊断中的皮肤病变自动细分. 这种新型网络增强了边界细节和上下文,在细分具有挑战性的皮肤病变方面实现了卓越的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 自动皮肤病变细分对于黑色素瘤计算机辅助诊断 (CAD) 至关重要.
- 挑战包括模糊的边界,不均的颜色和低对比度,妨碍准确的细分.
- 现有的方法难以准确地划定病变的界限.
研究的目的:
- 提出一个基于注意力的双路特征融合网络 (ADFFNet),以提高皮肤病变的自动细分.
- 为了解决复杂皮肤病变的当前细分技术的局限性.
- 为了提高像素级别的细分精度,以便更好地检测黑色素瘤.
主要方法:
- 开发了一个基于注意力的双路特征融合网络 (ADFFNet).
- 在空间路径中集成了一个边界精细化 (BR) 模块,以保存损伤边界细节.
- 在上下文路径中使用多尺度特征选择 (MFS) 模块,注意捕获相关的多尺度信息.
- 实现了双路径特征融合 (DFF) 模块,以集成由全球关注指导的语义和细节特征.
主要成果:
- 在ISIC 2018和PH2数据集上,ADFFNet取得了高绩效.
- 获得的F1分数分别为0.890和0.933,SE指数分别为0.925和0.954.
- 与最先进的方法相比,证明了优越的细分性能.
结论:
- 拟议的ADFFNet有效地提高了皮肤病变自动细分的准确性.
- 网络的架构成功地应对了诸如模糊边界和低对比度等挑战.
- ADFFNet显示了促进黑色素瘤计算机辅助诊断 (CAD) 的巨大潜力.
