SkinFormer：基于 Transformer 的皮肤损瘤分段统计纹理表示学习
图像与视频处理
2024-09-16 v1 计算机视觉与模式识别
摘要
准确地从皮肤图斑图像中进行皮肤损瘤分段对于皮肤癌诊断至为重要。然而，由于难以将有用纹理表示纳入学习过程，黑色素瘤的自动分段仍然是一个具有挑战性的任务。纹理表示不仅与由 CNN 学习的局部结构信息相关，也包括输入图像的全局统计纹理信息。本文提出了一种 Transformer 网络（SkinFormer），高效地提取和融合皮肤损瘤分段的统计纹理表示。具体而言，为量化输入特征的统计纹理，设计了一种 Kurtosis 指导的统计计数算子。我们利用 Kurtosis 指导的统计计数算子，结合 Transformer 的全局注意力机制，提出统计纹理融合转换器和统计纹理增强转换器。前者融合结构纹理信息和统计纹理信息，后者增强多尺度特征的统计纹理。{在三个公开的皮肤损瘤数据集上进行了大量实验，验证了 SkinFormer 在其他 SOAT 方法上均优于，方法在 ISIC 2018 数据集上达到 93.2% 的 Dice 分数。未来可以轻松地将 SkinFormer 扩展到分割 3D 图像。我们的代码已公开于 https://github.com/Rongtao-Xu/SkinFormer。}
引用
@article{arxiv.2409.08652,
title = {SkinFormer: Learning Statistical Texture Representation with Transformer for Skin Lesion Segmentation},
author = {Rongtao Xu and Changwei Wang and Jiguang Zhang and Shibiao Xu and Weiliang Meng and Xiaopeng Zhang},
journal= {arXiv preprint arXiv:2409.08652},
year = {2024}
}
备注
12 pages, 8 figures, published to JBHI