轻量级的UNet具有多模块协同作用和双域关注,用于精确的皮肤病变细分
Changhua Chen1, Ling Li2, Bo Li3
1School of Management, Xihua University, Chengdu, Sichuan, 610039, China.
Scientific reports
|December 4, 2025
概括
这项研究引入了一种轻量级的UNet模型,用于精确的皮肤病变细分,改善早期皮肤癌检测. 这种新的方法提高了准确性,同时保持了临床应用的计算效率.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 早期发现皮肤癌至关重要,皮肤病变的细分是关键的诊断步骤.
- 目前的细分方法面临的挑战是病变大小的变化和模糊的边缘,影响准确性.
- 现有的模型在边缘检测准确性方面扎,尽管计算效率的进步.
研究的目的:
- 开发一个精确且计算效率高的皮肤病变细分模型.
- 解决现有方法在处理病变变化和边缘模糊性方面的局限性.
- 通过增强细分,提高皮肤癌的诊断准确度.
主要方法:
- 提出了一个轻量级的UNet架构,集成Swin变压器 (Swin-T),多轴外部权重 (MEWB),组多轴哈达马德产品注意力 (GHPA) 和组聚合桥 (GAB).
- 通过Swin-T,可以实现并行处理,降低复杂度.
- MEWB捕获频域信息,GHPA从多个角度提取病理细节,GAB增强多个尺度的特征提取.
主要成果:
- 在ISIC2017数据集中,实现了81.22%的欧盟交叉点 (mIoU) 和89.64%的子相似系数 (DSC) 的平均交叉点.
- 在ISIC2018数据集上实现了81.65%的mIoU和89.90%的DSC.
- 具有较低的参数数量和计算成本的卓越细分精度.
结论:
- 拟议的轻量级UNet模型提供了精确的皮肤病变细分.
- 多模块协同作用和双域关注有效地提高了细分精度.
- 该模型的效率和准确性支持医生在皮肤癌的诊断和治疗计划.
