HHBSNet:一个全球通道空间注意力和多尺度扩展卷积网络,用于自动质细分.
Shange Wang1, Lin Xu1, Linshuai Zhang1
1School of Intelligent Medicine, Chengdu University of Traditional Chinese Medicine, Chengdu, China.
Frontiers in physiology
|November 21, 2025
概括
一个新的深度学习模型,HHBSNet,准确地细分了面部多颜色的常见面部多颜色的瘤. 这种轻量级的网络有效地处理不规则的边界和照明变化,以改善计算机辅助诊断.
科学领域:
- 皮肤病学 皮肤病学
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 黑色素是一种普遍存在的面部多颜色障碍,具有不规则,模糊的边界,造成细分挑战.
- 由于照明,皮肤反射和病变形态的变化,梅拉斯马的自动细分很困难.
研究的目的:
- 开发一个轻量级和有效的深度学习模型,用于准确的瘤细分.
- 为了应对低对比度和不规则边界在梅拉斯马图像中的挑战.
主要方法:
- 提出了HHBSNet,这是一个新的轻量级细分网络,包含全球通道空间注意力 (GCSA) 和多尺度空洞融合 (MCF) 模块.
- GCSA模块抑制了照明干扰,并增强了特征歧视.
- MCF模块捕捉了各种尺度上的病变,没有分辨率损失;联合损失策略解决了类不平衡.
主要成果:
- 在501张面部瘤图像的数据集上,HHBSNet实现了卓越的性能.
- 在欧盟 (Miou) 实现了79.69%的平均交叉,准确率 (ACC) 为96.68%,F分数为88.10%,回忆率为88.18%,精度为87.80%.
结论:
- HHBSNet 显示了针对黑色素瘤的强大和优越的细分.
- 该模型的轻量级设计和概括能力显示了计算机辅助诊断和色素系疾病临床查的潜力.
