使用视觉选择性状态空间模型与集成空间约束的皮肤疾病细分的新方法
Yu Bai1,2, Hai Zhou1,2, Hongjie Zhu1,2
1College of Electronic and Information, Southwest Minzu University, Chengdu, 610225, China.
Scientific reports
|February 9, 2025
概括
我们开发了SSR-UNet,这是一个高效的深度学习模型,用于皮肤病变细分. 它在识别皮肤病变方面达到很高的准确性,提高了皮肤科医生的诊断能力.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的皮肤病变细分对于临床诊断和治疗至关重要.
- 自动化细分有助于皮肤科医生早期检测和监测皮肤疾病.
- 现有的方法面临特征提取和计算复杂性的挑战.
研究的目的:
- 介绍了一个新的U形细分架构,SSR-UNet.
- 提高皮肤病变细分的效率和准确性.
- 解决卷积神经网络 (CNN) 和变压器的局限性.
主要方法:
- 开发SSR-UNet使用剩余空间状态块和双向扫描.
- 实现了空间受限制的损失函数,以增强梯度稳定性.
- 在ISIC2017和ISIC2018皮肤病变细分基准上评估了该模型.
主要成果:
- 在ISIC2017上,SSR-UNet取得了很高的准确性 (平均交叉点在欧盟:80.98%,分类准确性:96.50%,特异性:98.04%).
- 在ISIC2018上,SSR-UNet表现出强的表现 (平均交叉点在欧盟: 82.17%,子系数: 90.21%,分类准确度: 95.34%,敏感度: 88.49%).
- 在关键细分指标上表现优于现有模型.
结论:
- SSR-UNet为皮肤病变细分提供了一种高效准确的解决方案.
- 该模型有效地平衡了计算负载和特征提取能力.
- 在皮肤学图像分析方面表现出色.
