AD-Net：结合引导解码器的基于注意力膨胀卷积残差网络的鲁棒皮肤病变分割
计算机视觉与模式识别
2024-09-10 v1 人工智能
摘要
在用于皮肤癌治疗和早期诊断的计算机辅助诊断工具中，皮肤病变分割非常重要。然而，由于外观、对比度、纹理的固有变化以及病变边界模糊，实现精确分割具有挑战性。本研究提出了一种鲁棒的方法，利用膨胀卷积残差网络，该网络结合了基于注意力的空间特征增强块（ASFEB）并采用了引导解码器策略。在每个膨胀卷积残差块中，采用膨胀卷积以不同的膨胀率扩大感受野。为了改善编码器的空间特征信息，我们在跳跃连接中采用了基于注意力的空间特征增强块。我们提出方法中的 ASFEB 结合了从平均池化和最大池化操作获得的特征图。然后使用全局平均池化和卷积操作的活动输出对这些组合特征进行加权。此外，我们引入了引导解码器策略，其中每个解码器块使用单独的损失函数进行优化，以增强所提出的 AD-Net 中的特征学习过程。所提出的 AD-Net 具有显著优势，与同类方法相比所需的模型参数更少。这种参数的减少直接影响训练所需的标记数据量，促进了训练过程中的更快收敛。使用四个公开基准数据集评估了所提出的 AD-Net 的有效性。我们进行了 Wilcoxon 符号秩检验以验证 AD-Net 的效率。结果表明，即使不实施数据增强策略，我们的方法在性能上也超越了其他前沿方法。
引用
@article{arxiv.2409.05420,
title = {AD-Net: Attention-based dilated convolutional residual network with guided decoder for robust skin lesion segmentation},
author = {Asim Naveed and Syed S. Naqvi and Tariq M. Khan and Shahzaib Iqbal and M. Yaqoob Wani and Haroon Ahmed Khan},
journal= {arXiv preprint arXiv:2409.05420},
year = {2024}
}