基于边界感知与CNN-Transformer融合网络的皮肤病灶分割方法研究

针对皮肤病灶分割中传统卷积神经网络(CNN)难以捕捉全局信息及模糊边界的问题，研究人员提出MPBA-Net融合网络，集成多池化融合(MPF)模块与边界感知注意力门(BAAG)，通过结合Transformer与CNN优势，在ISIC2016-2018数据集上Dice指数达91.47%/87.04%/88.93%，为临床皮肤癌诊断提供精准分割工具。

　　

皮肤癌作为全球增长最快的恶性肿瘤之一，每年导致超万人死亡，而早期精准分割病灶是提高患者生存率的关键。然而，现有医学图像分割技术面临四大挑战：病灶形态差异大、毛发遮挡、边界模糊对比度低，以及训练数据稀缺。传统CNN虽在局部特征提取上表现优异，却难以建模全局上下文；Transformer虽擅长捕捉长程依赖，但对细节边界敏感度不足。这一矛盾促使研究者探索二者融合的新路径。

浙江理工大学等机构的研究团队在《Artificial Intelligence in Medicine》发表论文，提出MPBA-Net网络。该研究通过三项创新突破技术瓶颈：1) 在Transformer编码层嵌入边界感知注意力门(BAAG)模块，结合边界交叉注意力(BCA)强化边缘特征；2) 设计多池化融合(MPF)模块，整合改进的空间金字塔(SP)与空洞空间金字塔池化(ASPP)实现多尺度特征提取；3) 创新混合损失函数，融合基于二元交叉熵的Point Loss与Dice Loss，同步优化边界精度与区域一致性。

关键技术方法
研究采用ISIC2016-2018公开数据集（含1279-2594张皮肤镜图像），通过CNN-Transformer混合架构构建编码-解码网络。核心模块包括：BAAG模块通过边缘检测算法生成二值边界标签指导分割；MPF模块融合改进的条带池化与ASPP捕获多尺度特征；BCA模块在解码端增强边界特征交互。训练采用Adam优化器，通过梯度下降逐步降低混合损失值。

研究结果

边界感知增强
BAAG模块通过边界监督生成器产生像素级注意力权重图，实验显示该模块使ISIC2018数据集边界分割准确率提升3.2%，有效解决毛发遮挡导致的边缘断裂问题。

多尺度特征融合
MPF模块通过并行SP与ASPP分支提取全局上下文，消融实验证实其使小病灶(<5mm)分割Dice指数提高4.7%，显著优于单一池化策略。

混合损失优化
对比单一Dice Loss，新提出的Point Loss+Dice组合使ISIC2017数据集边界F1-score达89.3%，错误阳性率降低12.6%，尤其改善低对比度区域的误分割问题。

跨数据集验证
在ISIC2016/2017/2018测试集上，MPBA-Net的Dice指数分别达91.47%、87.04%、88.93%，超越同期SLT-Net等对比方法，且参数量减少18%。可视化结果显示其对不规则病灶轮廓的贴合度更优。

结论与展望
该研究通过CNN-Transformer协同架构与边界感知机制，首次实现医学图像分割中局部细节与全局上下文的动态平衡。临床意义在于：1) BAAG模块为模糊边界分割提供可解释性解决方案；2) MPF模块的轻量化设计适合移动端部署；3) 开源代码促进社区发展。未来可探索Transformer-Mamba混合架构在三维皮肤病灶分割中的应用。研究获国家自然科学基金(62071161)等资助，相关技术已申请专利。