一个双编码器网络,具有多级特征融合和多个聚合道空间注意力,用于皮肤痕图像细分

科学领域:

• 皮肤病学 皮肤病学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 皮肤痕显著影响美学和心理健康.
• 精确的痕组织划分对于有效的临床治疗至关重要.
• 自动痕细分仍然是皮肤学图像分析中的一个挑战.

研究的目的:

• 开发一个创新的深度学习框架,用于精确的痕图像细分.
• 在临床环境中提高痕组织划分的准确性和效率.
• 评估拟议模型的性能与现有的主流方法相比.

主要方法:

• 卷积神经网络 (CNN) 和Swin变压器架构的集成.
• 使用多尺度特征融合模块进行层次表示组合.
• 采用一种新的多聚合道空间注意力机制来改进特征.

主要成果:

• 实现了96.01%的准确性,77.43%的精度,90.17%的回忆,71.38%的雅卡德指数和83.21%的子系数.
• 与主流方法相比,在痕细分方面表现优越.
• 在所有评估指标上展示了强的表现.

结论:

• 拟议的深度学习框架在痕图像细分方面取得了重大进展.
• 该模型的高性能表明其在痕分析中具有很强的临床采用潜力.
• 这种方法可以帮助皮肤科医生更精确,更有效地评估痕.