TESL-Net：用于精确皮肤病变分割的 Transformer 增强 CNN
图像与视频处理
2024-08-20 v1 计算机视觉与模式识别
摘要
皮肤癌的早期检测依赖于对皮肤镜图像中皮肤病变的精确分割。然而，由于病变形状不规则、边界不清晰以及标记颜色和毛囊等伪影的存在，该任务具有挑战性。近期用于黑色素瘤分割的方法包括 U-Net 和全连接网络 (FCN)。随着这些神经网络模型深度的增加，它们可能面临梯度消失问题和参数冗余等问题，可能导致分割模型的 Jaccard 指数下降。在本研究中，我们引入了一种名为 TESL-Net 的新型网络用于皮肤病变分割。提出的 TESL-Net 是一种混合网络，结合了 CNN 编码器-解码器架构的局部特征与双向卷积长短期记忆 (Bi-ConvLSTM) 网络和 Swin Transformer 的长程与时间依赖关系。这使模型能够考虑分割随时间的不确定性并捕获数据中的上下文通道关系。我们在三个常用数据集 (ISIC 2016、ISIC 2017 和 ISIC 2018) 上评估了 TESL-Net 在皮肤病变分割中的有效性。TESL-Net 取得了最先进的性能，经验结果展示了显著提升的 Jaccard 指数。
引用
@article{arxiv.2408.09687,
title = {TESL-Net: A Transformer-Enhanced CNN for Accurate Skin Lesion Segmentation},
author = {Shahzaib Iqbal and Muhammad Zeeshan and Mehwish Mehmood and Tariq M. Khan and Imran Razzak},
journal= {arXiv preprint arXiv:2408.09687},
year = {2024}
}