SUTrans-NET:一种混合变压器方法来对皮肤损伤细分
Yaqin Li1, Tonghe Tian1, Jing Hu1
1School of Mathematics and Computer Science, Wuhan Polytechnic University School, Wuhan, Hubei, China.
PeerJ. Computer science
|April 25, 2024
概括
我们开发了SUTrans-NET,这是一个结合CNN和变压器的新型双编码器网络,用于准确的黑色素瘤皮肤病变细分. 这种方法通过改善挑战性皮肤病变的识别来增强早期检测.
科学领域:
- 医疗图像分析 医学图像分析
- 皮肤病学中的人工智能
- 计算病理学计算病理学
背景情况:
- 黑色素瘤的检测对于患者的结果至关重要,但由于对比度低和病变特征不规则,早期视觉识别很困难.
- 传统的卷积神经网络 (CNN) U-Net架构在皮肤病变细分中与远程依赖和全球背景作斗争.
- 变压器模型虽然强大,但在较小的医学成像数据集中面临局限性.
研究的目的:
- 提出SUTrans-NET,一个新的皮肤病变细分网络,旨在克服现有方法的局限性.
- 通过先进的深度学习技术,提高黑色素瘤检测的准确性和效率.
- 通过整合CNN和Transformer架构的互补功能来增强具有挑战性的皮肤病变的细分.
主要方法:
- 开发了SUTrans-NET,这是一个双编码器网络,具有平行CNN和变压器分支,每个层都有动态交互式融合.
- 引入了 SpatialGroupAttention (SGA) 模块,以增强变压器分支中的空间和纹理信息.
- 利用YOLOV5启发的补丁嵌入模块来保持像素精度,并设计了一个解码器来实现全面的功能融合.
主要成果:
- 在多个基准数据集 (ISIC 2016,2017,2018和PH2) 中,SUTrans-NET在皮肤病变细分方面表现出卓越的表现.
- 双编码器架构有效地结合了CNN和变压器的优势,以改善功能表示.
- 拟议的SGA模块和补丁嵌入策略为细分精度做出了重大贡献.
结论:
- 苏特朗斯-NET在皮肤病变自动细分方面取得了重大进展,特别是在黑色素瘤检测方面.
- 混合CNN-Transformer方法有效地解决了捕捉全球背景和处理小型医疗数据集的局限性.
- 该方法在现有技术上显示出明显的优势,为更可靠的早期黑色素瘤诊断铺平了道路.
