相关实验视频
Updated: Jul 7, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
ETU-Net:带有变压器的边缘增强引导的U-Net用于皮肤病变细分
Lifang Chen1, Jiawei Li1, Yunmin Zou2
1School of Artificial Intelligence and Computer Science, Jiangnan University, Wuxi, People's Republic of China.
Physics in medicine and biology
|December 22, 2023
概括
通过将边缘增强与卷积神经网络 (CNN) 和变压器相结合,ETU-Net改善了皮肤病变的细分. 这种新的方法准确地划分了边界模糊的病变,优于现有的方法.
科学领域:
- 医疗图像分析 医学图像分析
- 对于皮肤病学的深度学习.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 在皮肤病变细分中与远程依赖性作斗争.
- 变压器在远程依赖方面表现出色,但在模糊的损伤边界方面失败了.
- 现有的混合CNN-变压器模型对于模两可的皮肤病变边缘缺乏准确性.
研究的目的:
- 提出ETU-Net,一种用于增强皮肤病变细分的新型多尺度架构.
- 解决现有的深度学习模型在细分具有复杂形状和模糊边界的病变方面的局限性.
主要方法:
- ETU-Net将边缘增强,CNN和变压器集成到一个多规模的U-Net架构中.
- 新型组件包括边缘增强卷积 (EC) 块,局部变压器 (LT) 块,多尺度局部注意力 (MLA) 块和全局变压器 (GT) 块.
- 通过实现全尺寸特征收集,GT块减轻了变压器补丁划分的边界不确定性.
主要成果:
- 在PH2,ISIC-2017和ISIC-2018数据集上,ETU-Net显著超过了最先进的混合CNN-变压器方法.
- 该模型在真实世界皮肤学图像上展示了出色的概括能力.
- 细分性能优越,特别是在具有挑战性特征的病变中.
结论:
- ETU-Net为皮肤病变细分提供了强大的解决方案,有效地处理复杂的形状和模两可的界限.
- 拟议的边缘增强引导的多尺度U-Net架构代表了皮肤学图像分析的重大进步.
- 在皮肤病变自动诊断中,ETU-Net显示出实用临床应用的巨大潜力.
