编辑推荐：
皮肤癌发病率上升，手动诊断存在诸多问题，自动化分割系统至关重要。研究人员提出双皮肤分割（DuaSkinSeg）模型，在多个数据集实验中，该模型性能优于现有方法，有望推动皮肤癌诊断技术发展。
近年来，皮肤癌的发病率在全球范围内呈上升趋势，这一情况让人们对皮肤癌的早期诊断愈发重视。黑色素瘤作为皮肤癌中最为致命的一种，若能在早期被发现，患者的生存率将大幅提高。目前，皮肤科医生手动解读皮肤镜图像不仅耗时费力，还对医生的专业知识有很高要求。而且，不同医生对图像的解读存在差异，这就导致诊断准确性不稳定。随着病例数量的不断增加，这种传统的诊断方式越来越难以满足临床需求。因此，开发一种高效、精准的自动化皮肤病变分割系统迫在眉睫。
为了解决这些难题，北京工业大学信息科学与技术学院等机构的研究人员开展了相关研究。他们提出了一种名为双皮肤分割（DuaSkinSeg）的深度学习模型，该研究成果发表在《Scientific Reports》上。这一模型的出现，为皮肤癌的诊断带来了新的希望。
研究人员在开展研究时，运用了多种关键技术方法。首先是深度学习技术，它能够让模型从大量的数据中自动学习相关特征。在模型构建方面，采用了双编码器结构，其中一个编码器是基于 MobileNetV2，用于高效提取局部特征；另一个是 Vision Transformer - Convolutional Neural Network（ViT - CNN）编码器 - 解码器架构，负责提取高层次特征并关注长距离依赖关系。同时，研究使用了三个公开的基准数据集：ISIC 2016、ISIC 2017 和 ISIC 2018，对模型进行全面评估。
下面来看具体的研究结果：
- 数据集评估：研究人员使用三个公开数据集对 DuaSkinSeg 模型进行评估。在 ISIC 2016 数据集中，包含 1279 张图像（900 张用于训练，379 张用于测试）；ISIC 2017 数据集有 2000 张训练图像、150 张验证图像和 600 张测试图像；ISIC 2018 数据集有 2594 张图像，被随机分为 2076 张训练图像、259 张验证图像和 259 张测试图像。通过在这些数据集上的实验，全面测试了模型的性能1。
- 评估指标：利用准确率（ACC）、杰卡德指数（JI）、精确率（PR）、F1 分数和召回率（RE）这五个指标来评估模型。这些指标从不同角度反映了模型在皮肤病变分割任务中的表现，为准确评估模型性能提供了依据2。
- 消融研究：通过对 ISIC 2016 数据集进行消融研究，评估模型各组件的贡献。结果发现，仅使用 MobileNetV2 分支进行分割时，虽然能较好地检测病变，但存在背景误分类问题；仅使用 Vision Transformer（ViT）分支时，能捕获长距离依赖关系，但处理局部信息的能力不足；而完整的 DuaSkinSeg 模型结合了两者的优势，在所有指标上都表现最佳，其杰卡德指数（JI）达到 86.43%，显著优于单独使用 MobileNetV2 分支（JI：80.59）和 ViT 分支（JI：78.76）345。
- 与其他模型对比：将 DuaSkinSeg 模型与多个先进模型在不同数据集上进行对比。在 ISIC 2018 数据集上，DuaSkinSeg 在大多数指标上超过了其他 11 个模型，如准确率（ACC）达到 97.08%、杰卡德指数（JI）为 84.63% ；在 ISIC 2017 数据集上，同样优于其他 10 个模型，召回率（RE）达到 89.74%、准确率（ACC）为 96.51% ；在 ISIC 2016 数据集上，各项指标也领先于其他模型。这充分证明了 DuaSkinSeg 模型在皮肤病变分割任务中的优越性678。
- 统计分析：通过配对 t 检验对 DuaSkinSeg 模型与 U - Net、ResUNet++ 和 TransUNet 进行统计分析，结果显示 DuaSkinSeg 在各项指标上均显著优于这些模型，进一步验证了其性能优势9。
研究结论和讨论部分指出，DuaSkinSeg 模型通过独特的双编码器架构，有效整合了局部特征和长距离依赖关系，解决了以往模型在这方面的不足。与其他双编码器架构不同，它能够更好地融合 CNNs 和 ViTs 的优势，提高了分割准确性。该模型在计算效率和临床适应性方面也表现出色，适合在皮肤科临床实践中应用。这一研究成果为计算机辅助皮肤病诊断带来了新的突破，有望显著改善早期黑色素瘤的检测，提高患者的治疗效果和生存率。同时，研究人员也表示未来将进一步优化模型，提高其诊断精度和适应性，并在更广泛的临床数据集上进行测试，推动皮肤癌诊断技术的不断发展。
