WA-NET:通过频率空间特征融合和以注意力为导向的边缘精细化,增强皮肤病变的边界意识细分
Gefeng Hu1, Wen Zhu2, Xinyi Liao3
1College of Mathematics and Statistics, Hainan Normal University, Haikou, 571158, China.
Scientific reports
|November 25, 2025
概括
一个新的深度学习模型,WA-NET,通过改进边界和增强图像特征来改善皮肤病变细分. 这种先进的技术取得了最先进的结果,有助于更准确的皮肤癌诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 皮肤癌对公众健康构成重大风险,需要准确的诊断工具.
- 目前的自动皮肤病变细分方法与工件,低对比度和小病变检测相斗争.
研究的目的:
- 引入WA-NET,这是一个新的网络,旨在克服皮肤病变细分的局限性.
- 提高皮肤病变自动细分的准确性和稳定性,特别是在具有挑战性的情况下.
主要方法:
- 开发WA-NET,集成边缘检测的边界精炼模块 (BRM) 和功能融合的增强波纹转换 (EWT) 模块.
- 采用复合损失函数,结合二进制交叉,子损失和边缘监督损失,以改进全球和本地细分.
- 在ISIC2017,ISIC2018和PH2基准数据集上验证了WA-NET.
主要成果:
- 在所有测试的数据集中,WA-NET 实现了最先进的性能.
- 在ISIC2017,ISIC2018和PH2数据集上实现了高的子系数 (DSC),灵敏度 (SE) 和精度 (ACC).
- 在具有挑战性的成像条件下表现出优越的边界细分和稳定性.
结论:
- WA-NET有效地解决了当前皮肤病变细分技术的局限性.
- 拟议的网络为皮肤癌诊断支持提供了强大而准确的解决方案.
- WA-NET显示了改善皮肤病学临床结果的巨大潜力.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.8K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.3K
