关键词:
皮肤病分割
多尺度融合
密集编码
注意力机制
全局正态池化
摘要:
针对皮肤镜图像病变区域存在形状大小各异、边界不连续且模糊、病灶区域与背景相似度高的问题,提出了一种融合密集编码器与双路径注意力的皮肤病变分割网络(DEDA-Net)。首先,运用密集编码模块进行多尺度信息融合增强网络特征提取能力,缓解皮肤镜图像中边缘模糊的问题,并采用跳跃连接与残差路径减少网络编解码之间的语义鸿沟;其次,根据特征图内每个特征点关联性程度大小进行加权提出了全局正态池化层,设计了在空间与通道两个维度提取特征信息的双路径注意力模块,避免因全局信息获取不足导致难以区分病灶区域与背景的问题;最后,利用辅助损失函数思想,在网络中间与最后的输出层两侧使用加权损失函数来提升网络泛化能力。实验结果表明,该算法在ISIC2017数据集上分割精度为96.45%,特异性为97.82%,Dice系数为93.16%,IoU为86.61%,比基线U-Net分别提高了5.93个百分点、6.45个百分点、6.53个百分点和5.63个百分点,能够有效分割皮肤病变区域。