LCSD-Net:一种基于交叉注意力的轻量级语义双转换器,用于在黑色素瘤检测中进行域概括
Rishi Agrawal1, Neeraj Gupta1, Anand Singh Jalal2
1GLA University, Department of Computer Engineering & Applications, Mathura, Uttar Pradesh, India.
Journal of medical imaging (Bellingham, Wash.)
|January 8, 2026
概括
一种新的轻型变压器模型 (LCSD) 通过专注于相关特征而不是文物来改善黑色素瘤检测. 这提高了实时移动应用程序的可靠性和适应性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 黑色素瘤检测的深度学习模型通常依赖于无关的视觉工件,导致临床环境中的概括性差.
- 这种偏见损害了自动化皮肤病变分析的可靠性.
- 为黑色素瘤检测开发强大的和可通用的AI仍然是一个重大挑战.
研究的目的:
- 提出一个基于交叉注意力的轻量级语义双重 (LCSD) 变压器模型,以可靠地检测皮肤病变.
- 解决现有模型对不同临床环境的概括存在的局限性.
- 提高黑色素瘤检测的准确性和稳定性,同时降低计算复杂性.
主要方法:
- 该LCSD模型利用全球层面的语义信息提取和特征规范化.
- 它使用具有多头注意力的语义查询来改进全球特征并增强域名泛化.
- 功能图和语义查询之间的交叉注意力提供了通用化的全球上下文编码,将计算复杂性从O (n^2d) 降低到O (nmd + m^2d).
主要成果:
- 在具有挑战性的数据集上,LCSD模型实现了高分类精度:82.82% (皮肤-皮肤镜),72.95% (皮肤-临床) 和86.21% (PAD-UFES-20).
- 与传统的基于变压器的模型相比,表现出卓越的性能.
- 展示了改进的稳定性和降低的计算成本.
结论:
- 该LCSD模型有效地减轻了不相关的视觉特征的偏差,增强了黑色素瘤检测的域概括性.
- 它的轻量级设计有利于在移动应用中部署,提供可靠和高效的解决方案.
- 该模型显示了现实世界黑色素瘤检测系统在各种临床场景中的巨大潜力.
