基于边界传感和CNN-变压器融合网络的皮肤病变细分的损伤边界检测
Xuzhen Huang1, Yuliang Ma2, Xiajin Mei3
1School of Automation, Hangzhou Dianzi University, Hangzhou, Zhejiang 310018, China; Jinan Key Laboratory of Rehabilitation and Evaluation of Motor Dysfunction, The People's Hospital of Huaiyin, Jinan, Shandong 250100, China.
Artificial intelligence in medicine
|June 7, 2025
概括
MPBA-Net使用混合CNN-变压器方法改善皮肤病变细分,并采用多聚合融合和边界意识精细化. 这种方法提高了临床诊断的准确性.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 皮肤病学 皮肤病学
背景情况:
- 卷积神经网络 (CNN) 在捕获全球信息和精确的皮肤病变细分边界方面面临挑战.
- 精确的细分对于皮肤病学中的临床诊断和治疗计划至关重要.
研究的目的:
- 开发一个先进的深度学习模型,MPBA-Net,以改善皮肤病变细分.
- 解决捕捉全球背景和精细化损伤边界的局限性.
主要方法:
- 拟议的MPBA-Net是一个混合CNN-Transformer网络,集成多聚合融合 (MPF) 和边界意识的精细化.
- 引入了边界意识注意门 (BAAG) 和边界交叉注意 (BCA) 模块,以增强边界特征提取.
- 利用混合损失函数,将点损失 (源自二进制交叉) 和子损失结合起来,以优化训练.
主要成果:
- 在ISIC2016,ISIC2017和ISIC2018数据集中,MPBA-Net实现了卓越的性能,Dice指数分别为91.47%,87.04%和88.93%.
- 废弃性研究证实了拟议的融合策略和网络增强的有效性.
- 定量和定性结果显示,皮肤病变细分精度显著改善.
结论:
- 通过整合全球特征提取和边界提炼,MPBA-Net有效地提高了皮肤病变细分的准确性.
- 拟议的模型通过提供更精确的细分结果,帮助皮肤科医生进行临床诊断和治疗.
- 该研究强调了混合深度学习架构在复杂的医疗图像细分任务中的潜力.
