MSS-UNet:一个基于多空间转移MLP的UNet,用于皮肤病变细分
Wenhao Zhu1, Jiya Tian2, Mingzhi Chen3
1Computer School, University of South China, Hengyang, China.
Computers in biology and medicine
|November 26, 2023
概括
这项研究介绍了MSS-UNet,这是一种轻量级的深度学习模型,结合了卷积神经网络 (CNN) 和多层感知子 (MLP) 来进行精确的皮肤病变细分. 它以更少的参数实现高性能,改善自动化医疗图像分析.
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:
- 多层感知子 (MLP) 网络比卷积神经网络 (CNN) 和变压器提供更少的参数,但在图像处理方面,计算复杂性随着图像处理的深度而增加.
- 皮肤病变的自动细分对于皮肤病理学中的诊断和治疗计划至关重要.
研究的目的:
- 从皮肤镜图像开发一种轻量级但有效的模型,用于自动化皮肤病变细分.
- 解决深度MLP模型在处理本地图像特征中的计算挑战.
主要方法:
- 提出了MSS-UNet,这是一个混合CNN-MLP模型,包含一个用于局部特征提取的卷积模块.
- 引入了一种双空间转移MLP (DSS-MLP) 模块,以增强MLP内的空间通信.
- 开发了一个多空间转移外部注意 (MSSEA) 模块,以扩大受体场并捕捉损伤边界连续性.
主要成果:
- 在ISIC 2017 (85.01%±0.65),ISIC 2018 (83.65%±1.05) 和PH2 (92.71%±1.03) 数据集上取得了高的交叉与欧盟 (IoU) 分数.
- 与现有方法相比,显著减少参数大小 (0.33M) 和计算复杂性 (15.98G).
- 在皮肤病变细分精度和效率方面表现优于大多数最先进的模型.
结论:
- MSS-UNet为自动化皮肤病变细分提供了高效准确的解决方案.
- 拟议的DSS-MLP和MSSEA模块有效地增强了用于医学图像分析的MLP功能.
- 这种轻量级模型对皮肤病学中的实际临床应用具有前景.
