DMFF-Net:基于DeepLabV3的多尺度特征融合网络,用于皮肤病变细分
Tao Jiang1, Shange Wang1, Lin Xu1
1School of Intelligent Medicine, Chengdu University of Traditional Chinese Medicine, Chengdu, China.
Frontiers in medicine
|December 12, 2025
概括
一种新的深度学习模型DMFF-Net显著提高了皮肤病变细分的准确性,用于早期发现皮肤癌. 这种先进的网络有效地克服了诸如模糊边界和低对比度等挑战,改进了诊断工具.
科学领域:
- 医学图像分析 医学图像分析
- 计算机辅助诊断 计算机辅助诊断
- 皮肤病学 皮肤病学
背景情况:
- 精确的皮肤病变细分对于早期皮肤癌检测至关重要.
- 挑战包括不清晰的边界,低对比度和各种损伤形状.
- 现有的方法难以处理复杂的细分任务.
研究的目的:
- 提出DMFF-Net,一个多规模的,多重点的特征融合网络.
- 为了提高医学图像中皮肤病变细分的准确性.
- 为了解决当前细分技术的局限性.
主要方法:
- 开发了基于DeepLabV3架构的DMFF-Net. 开发了一个基于DeepLabV3架构的DMFF-Net. 开发了一个基于DeepLabV3架构的DMFF-Net.
- 集成的全球电网坐标注意模块 (GGCAM) 用于空间通道特征融合.
- 采用多尺度深度可分离扩展卷积 (MDSDC) 进行强大的多尺度特征提取.
- 利用中高级特征融合 (MHLFF) 来改进特征和抑制噪音.
主要成果:
- 在ISIC 2016,2017,2018和PH2数据集上,DMFF-Net取得了卓越的表现.
- 在ISIC数据集上报告的MIoU值为89.31%,91.47%,86.93%.
- 实现了高精度 (高达97.33%) 和F1得分 (高达96.93%),证明了有效性.
结论:
- DMFF-Net显著提高了皮肤病变细分的准确性.
- 该网络的多尺度融合和注意力机制保护了空间细节,并增强了特征表示.
- DMFF-Net显示出作为皮肤病变诊断和医学图像细分研究的有价值工具的潜力.
