SkinSegNet：一种先进的编码器-解码器模型，用于皮肤病变分割，该模型结合了通道感知（Channel-Aware）和空间跨尺度注意力（Spatial Cross-Scale Attention）机制

《International Journal of Imaging Systems and Technology》：SkinSegNet: An Advanced Encoder–Decoder for Skin Lesion Segmentation Using Channel-Aware and Spatial Cross-Scale Attention

提出基于U-Net的SkinSegNet架构，通过编码器中的卷积块与PA层实现特征压缩与区域聚焦，瓶颈层集成CAMA和ASCA模块捕捉通道与空间关联，解码器通过跳跃连接和上采样保留细节，在ISIC 2016-2018数据集上分别达到95.12%、94.01%、95.04%的分割精度，验证跨数据集泛化能力。

　　

摘要

为了实现精确且高效的皮肤癌分割，本文提出了一种创新的SkinSegNet架构。该架构受到U-Net的启发，采用了编码器-解码器结构，并结合了先进的特点提取和注意力机制。编码器利用卷积块和池化注意力（PA）层对特征图进行降采样，同时关注关键区域。在瓶颈部分，提出的特征聚合模块集成了通道感知的多头注意力（CAMA）和自适应空间跨尺度注意力（ASCA）模块。这些模块使模型能够捕捉通道之间的关系和复杂的空间依赖性，从而实现准确的分割。解码器通过连续的上采样重建分割掩码，并跳过某些连接，以确保保留精细的空间细节。实验在ISIC 2016、ISIC 2017和ISIC 2018等基准数据集上进行，结果表明SkinSegNet在皮肤病变分割方面表现出色，分别达到了95.12%、94.01%和95.04%的先进准确率。此外，跨数据集实验表明SkinSegNet在ISIC数据集上的表现良好，显示出其强大的泛化能力。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可在ISIC挑战数据集公开获取，网址为：https://challenge.isic-archive.com/data/。