基于多级特征组聚合的皮肤病U型分割网络

皮肤病变区域的精准分割是计算机辅助皮肤病诊断的关键selleckchem LGK-974性研究任务，它为医生提供了重要的诊断依据。尽管基于UNet的改进网络在图像分割领域取得了显著进展，但是它们往往忽视了掩膜与多层级信息的结合运用，从而限制了分割精度。引入Transformer有助于分割精确认细节度的提升，但是网络的参数量也会显著增加，从而可能导致计算复杂度和模型部署成本上升。针对这些问题，提出一种基于多级特征组聚合的皮肤病U型分割网络（MFGA-UNet），其能够充分融合掩膜信息与多层级信息，在保证较低参数量的同时，实现高精度且轻量级的皮肤病图像分割。MFGA-UNet中，首先采用改进的反瓶颈卷积模块替代标准UNet中的常规卷积块；其次引入多级MEM minimum essential medium特征组聚合模块优化网络的跳跃连接，有效融合掩膜信息与多层级特征，丰富了特征层次；最后利用深度监督技术改进损失函数，通过解码器各层输出求取损失，优化了模型训练过程。在ISIC2017和ISIC2018皮肤病数据集上的评估结果显示，MFGA-UNet的参数量仅有10.246 M，且精度超越了现有6种医学图像分割网络，在两个数据集中，Dice分别达到了94.273%、90.028%。