有效注意力引导的多尺度医学网络用于皮肤病变分割

在医疗领域，精确的皮肤病变分割对于皮肤疾病的早期检测和准确诊断至关重要。尽管深度学习在图像处理方面取得了显著进展，现有方法尚未有效应对不规则病变形状和低对比度的挑战。为解决这些问题，本文提出了一种基于多尺度残差结构的创新编码器-解码器网络架构，能够从不同感受野中提取丰富的特征信息以有效识别病变区域。通过引入多分辨率多通道融合（MRCF）模块，我们的方法捕捉跨尺度特征，增强了提取信息的清晰度和准确性。此外，我们提出了一种交叉混合注意力模块（CMAM），它重新定义了注意力范围，并在多个上下文中动态计算权重，从而提高了特征捕捉的灵活性和深度，实现了对细微特征的更深层次探索。为克服传统 U-Net 中跳跃连接造成的信息损失，我们引入了外部注意力桥（EAB），促进了解码器中信息的有效利用，并补偿了上采样过程中的损失。在多个皮肤病变分割数据集上的广泛实验评估表明，所提出的模型显著优于现有的基于 transformer 和卷积神经网络的模型，展现了卓越的分割准确性和鲁棒性。