相关实验视频
Updated: Jan 16, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
735
规模融合网:用于皮肤病变细分的变压器引导的多尺度特征融合
Saqib Qamar1,2, Syed Furqan Qadri3, Roobaea Alroobaea4
1Division of Robotics, Perception and Learning(RPL), Department of Intelligent Systems, KTH Royal Institute of Technology, 10044, Stockholm, Sweden. sqamar@su.edu.om.
Scientific reports
|October 2, 2025
概括
准确的皮肤病变细分对于黑色素瘤诊断至关重要. ScaleFusionNet是一种新的混合模型,增强了特征提取和融合,在从皮肤病变中识别黑色素瘤方面实现了高精度.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 皮肤病变的准确细分对于黑色素瘤诊断至关重要.
- 挑战包括模糊的边界,颜色变化和不规则的形状.
研究的目的:
- 开发一种先进的深度学习模型,用于精确的皮肤病变细分.
- 提高皮肤成像学定量分析的准确性和效率.
主要方法:
- 提出了ScaleFusionNet,这是一个混合模型,集成交叉注意力变压器模块 (CATM) 和自适应融合块 (AFB).
- CATM使用Swin变压器块和交叉注意力融合 (CAF) 来进行精细的特征融合.
- AFB采用Swin变压器的注意力和可变形卷积,用于自适应性特征提取.
主要成果:
- 获得了高的子分数: 92.94% (ISIC-2016),91.80% (ISIC-2018) 和95.37% (HAM10000). 获得了高的子分数: 92.94% (ISIC-2016),91.80% (ISIC-2018) 和95.37% (HAM10000).
- 在PH2数据集上,与最先进的方法相比,表现出显著的性能改进.
- 成功提炼了病变边界,并保留了细粒度的细节.
结论:
- ScaleFusionNet有效地增强了特征提取和融合,以改善皮肤病变细分.
- 该模型显示了在黑色素瘤检测和分析中临床应用的巨大潜力.
- 公开可用的代码有助于进一步的研究和开发.
