IARS SegNet：用于黑色素瘤分割的可解释注意力残差跳跃连接 SegNet
图像与视频处理
2023-11-01 v1 计算机视觉与模式识别
摘要
皮肤病变分割在黑色素瘤的计算机辅助诊断中起着关键作用。深度学习模型在准确分割皮肤病变方面已展现出前景，但其在真实临床环境中的广泛采用受到其固有黑盒性质的限制。在医疗保健等关键领域，可解释性不仅是特征，更是模型采用的基本要求。本文提出 IARS SegNet，一种构建于 SegNet 基线模型之上的先进分割框架。我们的方法在基线 SegNet 架构上融合了三个关键组件：跳跃连接、残差卷积和全局注意力机制。这些元素在突出临床相关区域（尤其是皮肤病变轮廓）的重要性方面发挥着关键作用。跳跃连接的引入增强了模型学习复杂轮廓细节的能力，而残差卷积的使用允许构建更深的模型同时保留 essential 图像特征。全局注意力机制通过从每个卷积和反卷积块中提取精炼特征图进一步发挥作用，从而提升模型的可解释性。这一增强突出了关键区域，促进了更好的理解，并实现了更准确的皮肤病变分割以用于黑色素瘤诊断。
引用
@article{arxiv.2310.20292,
title = {IARS SegNet: Interpretable Attention Residual Skip connection SegNet for melanoma segmentation},
author = {Shankara Narayanan and Sikha OK and Raul Benitez},
journal= {arXiv preprint arXiv:2310.20292},
year = {2023}
}
备注
Submitted to the journal: Computers in Biology and Medicine