基于深度学习的双分支框架,用于通过皮肤镜图像进行皮肤病变自动细分和分类
Hamza Abu Owida1, Ibrahim Abd El-Fattah2, Suhaila Abuowaida3
1Medical Engineering Department, Faculty of Engineering, Al-Ahliyya Amman University, Amman, 19328, Jordan.
Scientific reports
|October 30, 2025
概括
一个新的深度学习框架从皮肤镜像中准确地细分和分类皮肤病变. 这种自动化系统显示了改善早期皮肤疾病检测和临床诊断的巨大潜力.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 早期发现皮肤疾病对于患者的生存至关重要.
- 对皮肤病专业知识的有限访问需要自动化诊断解决方案.
- 皮肤镜像是分析皮肤病变的关键.
研究的目的:
- 开发一个双分支深度学习框架,用于同时对皮肤病变进行细分和分类.
- 整合视觉外观和形态特征,以提高诊断准确度.
- 在多个基准数据集上评估框架的性能.
主要方法:
- 采用了双分支深度学习架构.
- 细分分支使用了一个EfficientNet-B7编码器与ASPP和变压器块.
- 该分类分支将DenseNet-121的特征与面具衍生形态融合在一起.
- 注意门和Squeeze-and-Excitation块被纳入了功能改进.
主要成果:
- 该框架在五个数据集中实现了高细分性能,Dice得分高达0.9568,IOU得分高达0.9242.
- 在所有数据集中,分类准确度超过0.95,特异性高于0.93.
- 该模型在HAM10000,PH2,ISIC 2016,ISIC 2017和ISIC 2018等不同数据集上展示了强度和概括能力.
结论:
- 双分支框架有效地整合了视觉和形态特征,用于全面的皮肤病变分析.
- 实现了最先进的精度,突出了模型的潜力.
- 持续的高性能表明,作为诊断支持工具,具有强大的临床适用性.
关键词:
注意力机制注意力机制计算机辅助诊断是一种计算机辅助的诊断.深度学习是一种深度学习.有效的_网络在HAM1000000中,我们可以看到HAM10000的价格.2016 年的 ISIC 标准.2017年ISIC是2017年ISIC的第一个项目.在2018年,ISIC将会在2018年举行.医疗图像分析 医学图像分析PH2 PH2 的时间皮肤病变细分 皮肤病变细分更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.3K
06:34SCAnED - An Open-source Skin Segmentation Macro for Semi-automated Cell and Nuclei Detection in Epidermal and Dermal Skin Compartments
Published on: August 8, 2025
523
