EASNet:边缘感知细分网络用于皮肤损伤细分,具有边界感知和频率注意力机制
Junwei Yu1, Yuhe Xia2, Jianping Li2
1School of Artificial Intelligence and Big Data, Henan University of Technology, Zhengzhou, 450001, China. yujunwei@126.com.
Interdisciplinary sciences, computational life sciences
|December 12, 2025
概括
一个新的深度学习模型EASNet通过分析病变边界和频率特征来改善皮肤癌的检测. 这种先进的细分网络为皮肤学图像分析提供了更精确的临床评估.
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:
- 皮肤恶性瘤在全球普遍存在,需要改进的诊断工具.
- 当前的深度学习模型在皮肤显微镜图像中与复杂的损伤边界和频率特征作斗争.
研究的目的:
- 引入EASNet,一个边缘意识的细分网络,用于增强皮肤学图像分析.
- 克服现有的卷积神经网络 (CNN) 方法在细分复杂皮肤病变方面的局限性.
主要方法:
- 欧亚网络集成频域分析,使用离散等边变换 (DCT) 和离散波纹变换 (DWT).
- 它采用了边界驱动的交叉注意力机制 (BDCC) 来进行空间依赖学习.
- 混合损失函数确保在训练期间准确的边界监督.
主要成果:
- 在ISIC2017和ISIC2018数据集上,EASNet表现出了竞争力的表现.
- 该网络在损伤细分和边界清晰度方面实现了高精度.
- 细分的位置一致性也得到了显著的改善.
结论:
- 通过结合频率和边界信息,EASNet推进了皮肤学图像分析.
- 该网络提供了一个可靠的工具,用于对皮肤病变进行精确的临床评估.
- 这些发现支持开发改善皮肤恶性瘤的治疗策略.


