Seg-SkiNet:适应性可变形的融合卷积网络,用于皮肤病变细分.
Haiwang Nan1, Zhenhao Gao1, Limei Song2
1School of Computer and Control Engineering, Yantai University, Yantai, China.
Quantitative imaging in medicine and surgery
|January 22, 2025
概括
这项研究介绍了Seg-SkiNet,这是一种用于精确细分皮肤病变的深度学习模型. 该模型在精确细分复杂形状和小病变方面表现出色,这对于早期皮肤癌诊断至关重要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 精确的皮肤病变细分对于准确的皮肤癌诊断至关重要.
- 挑战包括复杂的病变形状,不同尺寸和颜色深度.
- 现有的方法难以处理复杂的病变特征和小目标.
研究的目的:
- 开发一个定制的深度学习 (DL) 模型,用于精确的皮肤病变细分.
- 专门应对复杂形状和小目标病变带来的挑战.
- 通过增强的细分能力来提高诊断准确度.
主要方法:
- 提出了一个自适应可变形的融合卷积网络 (Seg-SkiNet).
- 集成了一种双通道卷积编码器 (Dual-Conv编码器) 用于边缘和内部特征捕获.
- 采用多尺度多感应场提取和精制 (Multi2ER) 模块用于小损伤细分和局部-全球信息交互融合解码器 (LGI-FSN解码器) 进行特征融合.
主要成果:
- 在公共数据集上,Seg-SkiNet实现了高性能 (ISIC-2016,ISIC-2017,ISIC-2018).
- 已证明的子系数分别为93.66%,89.44%和92.29%.
- 在细分具有挑战性的复杂形状和小皮肤病变方面经过验证的有效性.
结论:
- 在细分复杂形状的病变方面,Seg-SkiNet表现出色.
- 该模型对于细分小目标皮肤病变非常有效.
- 这一进步有助于通过改进的细分来更准确地诊断皮肤癌.


