H-fusion SEG:双分支超注意力融合网络与SAM集成,用于强大的皮肤疾病细分
Walid El-Shafai1,2, Anas M Ali3,4, Nada Alzaben5
1Automated Systems and Computing Lab (ASCL), Computer Science Department, Prince Sultan University, 11586, Riyadh, Saudi Arabia. welshafai@psu.edu.sa.
Scientific reports
|September 29, 2025
概括
这项研究介绍了超融合细分 (H-Fusion SEG),这是一种用于准确细分皮肤病变的新型深度学习模型. H-Fusion SEG通过改善跨不同数据集的边界划分和概括来增强诊断工具.
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:
- 准确的皮肤镜损伤细分对于诊断皮肤疾病至关重要.
- 现有的方法在保留本地细节和全球背景方面面临挑战,这影响了稳定性.
研究的目的:
- 开发一个强大的深度学习框架,用于精确的皮肤镜损伤细分.
- 提高计算机辅助皮肤病诊断的细分模型的准确性和概括性.
主要方法:
- 建议的超融合细分 (H-Fusion SEG),一个双分支框架,结合了U-Net和细分任何模型.
- 引入了一个超注意力融合模块,用于局部和全球特征的自适应集成.
- 优化了模型,使用边界意识目标来增强分界.
主要成果:
- 在ISIC-2016和ISIC-2018数据集上实现了最先进的表现,在IoU和Dice分数中取得了显著改善.
- 在HAM10000数据集上表现出强大的概括能力.
- 对边界模糊或模两可的病变表现出特别的有效性.
结论:
- H-Fusion SEG为医疗图像细分提供了一个灵活和可通用的解决方案.
- 该框架为开发皮肤病学中精确可靠的计算机辅助诊断工具提供了巨大的潜力.
