CTH-Net:一种CNN和变压器混合网络,用于皮肤病变细分
Yuhan Ding1, Zhenglin Yi2, Jiatong Xiao2
1School of Computer Science and Engineering, Central South University, Changsha 410083, China.
iScience
|March 25, 2024
概括
这项研究介绍了CTH-Net,这是一种混合深度学习模型,用于准确的皮肤病变细分. 这种新的方法通过结合卷积神经网络 (CNN) 和变压器来改善细分,优于现有方法.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 精确的皮肤病变细分对于皮肤病理诊断至关重要,但由于对比度低和边界模糊,具有挑战性.
- 现有的方法往往难以应对复杂的皮肤病变成像.
研究的目的:
- 为增强皮肤病变细分开发一个强大的混合模型.
- 利用卷积神经网络 (CNN) 和变压器的优势,提高准确性.
主要方法:
- 一个新的混合编码器解码器模型,CTH-Net,集成CNN和变压器架构.
- 引入专用模块:CNN分支中的SoftPool和瓶层中的砂玻璃块.
- 在四个公共数据集上进行验证:ISIC 2016,ISIC 2017,ISIC 2018,PH2.
主要成果:
- 与最先进的方法相比,CTH-Net在皮肤病变细分方面表现优越.
- 定量和定性实验结果都证实了该模型的有效性.
- 拟议的架构显著提高了对具有挑战性的数据集的细分精度.
结论:
- CTH-Net模型在自动化皮肤病变细分方面取得了重大进展.
- 混合方法有效地解决了传统细分技术的局限性.
- CTH-Net的设计显示了扩展到其他医学成像细分任务的潜力.


