相关实验视频
Updated: Jun 20, 2026
11:35
Dual-mode Imaging of Cutaneous Tissue Oxygenation and Vascular Function
Published on: December 8, 2010
深度多模式基于皮肤成像的信息交换网络,用于皮肤损伤识别
Yingzhe Yu1, Huiqiong Jia2,3, Li Zhang4
1The First Affiliated Hospital of Ningbo University, Ningbo 315211, China.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
一个新的深度学习模型,基于多模式皮肤成像的信息交换网络 (MDSIS-Net),通过整合多模式图像数据,显著改善皮肤病变诊断. 这种先进的方法提高了准确性和可解释性,以便在皮肤病学中做出更好的临床决策.
科学领域:
- 皮肤病学中的人工智能
- 医学图像分析 医学图像分析
- 深度学习用于识别皮肤损伤.
背景情况:
- 皮肤病变的患病率不断上升,需要改进诊断工具.
- 现有的用于皮肤病变检测的多模式算法在捕捉跨特征的动态相互作用方面存在局限性.
- 早期和精确的诊断对于有效的皮肤病变治疗至关重要.
研究的目的:
- 提出一个新的深度学习框架,基于多模式皮肤成像的信息交换网络 (MDSIS-Net),用于增强皮肤病变识别.
- 通过有效地整合跨多种成像模式的信息来解决当前算法的局限性.
- 提高皮肤病变诊断的准确性和可解释性.
主要方法:
- 开发了MDSIS-Net,这是一个深度学习框架,利用一个多规模的完全共享的卷积神经网络用于模式内特征提取.
- 整合了一个创新的信息交换模块,具有交叉注意力机制,以动态校准和整合跨模式的功能.
- 验证了临床变形皮肤病数据模型 (VISIA: 5 种模式) 和 Derm7pt 黑色素瘤数据集 (临床和皮肤镜图像).
主要成果:
- 在形皮肤病数据上,MDSIS-Net比现有方法取得了更高的性能,其mAP为0.967和准确度为0.960.
- 在Derm7pt黑色素瘤数据集上,MDSIS-Net的表现优于基准标准,其mAP为0.877,准确度为0.907.
- 格拉德-CAM热图显示了模型的可解释性,与临床诊断重点领域保持一致.
结论:
- 拟议的深度多模式信息交换模型通过捕捉跨模式关系特征和细粒度细节,显著提高皮肤病变的识别.
- MDSIS-Net提高了诊断准确性和可解释性,促进了皮肤病学中的临床决策.
- 这项工作为未来皮肤病变诊断和治疗的发展提供了基础.
