BAF-UNet:用于皮肤病变细分的边界意识细分模型
Menglei Zhang1, Congwei Zhang1, Zhibin Quan2
1Southeast University, School of Automation, Nanjing, China.
Journal of medical imaging (Bellingham, Wash.)
|January 12, 2026
概括
我们开发了BAF-UNet,这是一个新的深度学习模型,用于精确的皮肤病变细分. 这种方法增强了边界检测,提高了从医学图像诊断皮肤癌的准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 皮肤病学 皮肤病学
背景情况:
- 准确的皮肤病变细分对于有效的皮肤癌诊断和治疗至关重要.
- 挑战包括模两可的病变边界,不同的形状和不同大小,妨碍精确的细分.
研究的目的:
- 通过改善边界保护来提高皮肤病变细分性能.
- 开发一种深度学习模型,能够准确地划分皮肤病变边缘.
主要方法:
- 拟议的BAF-UNet,一个边界意识的细分网络,集成多尺度边界意识特征融合 (BFF) 和边界意识视觉变压器 (BAViT).
- BAViT将边界指导纳入MobileViT,以捕捉本地和全球背景.
- 利用以边界为中心的损失函数在训练期间优先考虑边缘精度,并对ISIC2016,ISIC2017和PH2数据集进行评估.
主要成果:
- 与基线模型相比,BAF-UNet表现出较好的子得分和边界精度.
- BFF和BAViT模块有效地增强了边界划定.
- 该模型在各种形状和大小的病变中保持了强度.
结论:
- BAF-UNet成功地将边界指导集成到特征融合和基于变压器的上下文建模中.
- 在细分精度方面取得了显著的改进,特别是在损伤边缘.
- 显示在皮肤癌自动诊断中具有很强的临床应用潜力.


