HSH-UNet:混合选择性高顺序交互式U形模型用于自动化皮肤病变细分的交互式U形模型
Renkai Wu1, Hongli Lv2, Pengchen Liang3
1Department of Dermatology, RuiJin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China; Department of Surgery, Shanghai Key Laboratory of Gastric Neoplasms, Shanghai Institute of Digestive Surgery, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China; School of Microelectronics, Shanghai University, Shanghai, China.
Computers in biology and medicine
|December 3, 2023
概括
这项研究介绍了HSH-UNet,这是一种用于皮肤疾病诊断的新型深度学习模型. 它可以自动选择高阶操作中的交互顺序,从而提高皮肤病学诊断的准确性.
科学领域:
- 皮肤病学 皮肤病学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 计算机辅助诊断帮助皮肤科医生识别皮肤疾病.
- 深度神经网络 (DNN) 是这些技术的核心.
- 在DNN中,高阶空间交互运算比传统的卷积和变压器具有优势,包括效率和转换等价性.
研究的目的:
- 为应对在DNN内用于皮肤疾病诊断的更高阶操作中手动选择交互命令的挑战.
- 提出一种新的深度学习模型,HSH-UNet,可以自动化选择过程.
主要方法:
- 开发一个混合选择性高阶交互模块 (HSHB),集成到U型网络 (U-Net) 中.
- HSHB通过使用计算衍生指导特征,逐道自适应地选择交互订单.
- 该模型允许混合订单交互,克服每个网络层面固定订单的限制.
主要成果:
- 在三个公共皮肤病变数据集和一个私人数据集上进行了广泛的实验.
- 废弃性研究证实了拟议的混合选择性更高阶相互作用模块的有效性.
- 与现有的最先进的方法相比,HSH-UNet在皮肤病变诊断方面表现优越.
结论:
- 拟议的HSH-UNet有效地自动化了DNN在更高阶操作中的交互订单的选择.
- 这种自动化显著提高了计算机辅助皮肤疾病诊断的性能.
- 该方法提供了一种更有效,更准确的方法,通过深度学习来分析皮肤病变.
