基于改进 ResNet-50 的皮肤瘤分类：自适应空间特征融合
计算机视觉与模式识别
2025-10-07 v1
摘要
皮肤癌分类仍是一个具有挑战性的问题，由于 dermoscopic 图像中存在高度的类别相似性、类内变异性和图像噪声。为此，我们提出了一个改进的 ResNet-50 模型，增强了自适应空间特征融合（ASFF），该模型能够适应性地整合多尺度语义和表面特征，以改进特征表示并减少过拟合。ResNet-50 模型通过自适应特征融合机制得到增强，以实现更有效的多尺度特征提取并提高整体性能。具体而言，采用双分支设计融合高层语义特征和中层细节特征，这些特征经全局平均池化和全连接层处理后生成用于加权融合的自适应权重，从而加强特征学习并减少噪声对分类的影响。该方法在包含 3297 例良性和恶性皮肤瘤图像的 ISIC 2020 数据集子集上进行评估。实验结果表明，基于 ASFF 的 ResNet-50 在 5 种经典卷积神经网络模型中实现了最佳整体性能。该模型在准确率达到 93.18% 的同时，还实现了更高的精确率、召回率、特异度和 F1 分值。在 P-R 曲线和 ROC 曲线上，改进模型分别达到了 0.9670 和 0.9717 的 AUC 值。随后，基于 Grad-CAM 的评估进一步证明了该改进模型在深度表示层面能够自适应地关注皮肤瘤相关区域，同时抑制无关背景信息，从而验证了其增强的特征学习能力。这些发现表明，所提出的方法为计算机辅助皮肤癌诊断提供了更有效且更高效的解决方案。
引用
@article{arxiv.2510.03876,
title = {Skin Lesion Classification Based on ResNet-50 Enhanced With Adaptive Spatial Feature Fusion},
author = {Runhao Liu and Ziming Chen and Peng Zhang},
journal= {arXiv preprint arXiv:2510.03876},
year = {2025}
}