皮肤病变细分与一个多尺度输入融合U-Net结合Res2-SE和金字塔扩展卷积
Zhihui Liu1, Jie Hu2, Xulu Gong2,3
1College of Software, Shanxi Agricultural University, Taigu, Mingxing, 030801, China. liuzhihui@graduate.utm.my.
Scientific reports
|March 7, 2025
概括
一个新的深度学习模型,MRP-UNet,改善了皮肤病变细分,用于早期发现皮肤癌. 这个网络有效地分析皮肤镜像,提高诊断准确性和患者的结果.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 精确的皮肤病变细分对于诊断皮肤疾病至关重要,包括早期发现皮肤癌.
- 挑战包括不规则的病变形状,颜色变化,模糊的边界,以及皮肤镜像中的工件.
- 现有的方法难以应对自动化细分的复杂性.
研究的目的:
- 提出一个新的深度学习网络,MRP-UNet,用于增强皮肤镜像细分.
- 提高自动化皮肤病变分析的准确性和稳定性.
- 为了促进皮肤疾病的早期和更精确的诊断.
主要方法:
- 开发了多级输入融合残留注意力金字塔卷积网络 (MRP-UNet).
- 集成了一个多级输入融合模块 (MIF) 适用于各种损伤大小.
- 集成的Res2-SE模块用于增强特征提取和金字塔扩展卷积模块 (PDC) 用于各种受体场.
主要成果:
- 在多个基准数据集 (ISIC 2016,2017,2018,PH2,HAM10000) 中,MRP-UNet表现出卓越的性能.
- 废弃性研究证实了每个拟议模块的显著贡献.
- 定量和定性分析验证了该模型对最先进方法的有效性.
结论:
- MRP-UNet有效地结合了多尺度融合,残留注意力和金字塔扩展卷积,用于高级皮肤病变细分.
- 该模型实现了高精度,为早期皮肤疾病诊断提供了有前途的工具.
- 通过及时干预,提高细分精度可以带来更好的患者结果.
