SGNet:一个结构导向网络,具有双域边界增强和语义融合,用于皮肤损伤细分

科学领域:

• 皮肤病学和医学成像学
• 医疗保健中的人工智能
• 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癌,包括黑色素瘤至关重要.
• 挑战包括不规则的形状,模糊的边界,低对比度和皮肤镜像中的工件.
• 现有的深度学习模型 (UNet,Transformer) 在特征提取和计算效率方面存在局限性.

研究的目的:

• 引入SGNet,一个结构引导的网络,用于强大的皮肤病变细分.
• 克服传统方法在功能利用和计算成本方面的局限性.
• 为了提高皮肤病变划分的精度,用于计算机辅助诊断.

主要方法:

• 拟议的SGNet集成了一个混合卷积神经网络 (CNN) -Mamba框架.
• 使用Visual Mamba (VMamba) 编码器进行高效的多尺度特征提取.
• 集成的双域边界增强器 (DDBE),语义纹理融合单元 (STFU),结构感知指导模块 (SAGM) 和指导多尺度精炼器 (GMSR).

主要成果:

• 在ISIC2017,ISIC2018和PH2数据集上,SGNet表现出卓越的表现.
• 在欧盟的平均交叉点 (mIoU) 中实现了3.30%的平均改善,在子相似系数 (DSC) 中达到1.77%.
• 废弃研究证实了个别组件和整体网络架构的有效性.

结论:

• SGNet为皮肤病变细分提供了卓越的准确性和强大的概括性.
• 混合CNN-Mamba方法有效地解决了皮肤镜图像分析中的挑战.
• SGNet显示出在推进计算机辅助皮肤病诊断方面的巨大潜力.