基于渐进循环卷积神经网络与多注意力门控残差U-Net的皮肤镜图像病灶精准分割方法研究

针对皮肤镜图像中病灶边界模糊、多尺度信息捕捉困难等问题，研究人员提出SLS-PCCNN-MAGRes-UNet模型，通过时间-频域偏振滤波(TFDPF)去噪和渐进循环卷积机制，实现99.2%的病灶分割准确率，为皮肤癌早期诊断提供自动化解决方案。

　　

皮肤癌作为全球高发的恶性疾病，其早期诊断依赖皮肤镜图像中病灶的精准分割。然而，传统方法面临毛发伪影、低对比度和不规则边界的挑战，现有深度学习模型如U-Net在捕捉多尺度特征时仍存在局限性。这些瓶颈导致临床诊断效率低下，尤其对微小病灶的漏检率高达15%，严重威胁患者生存率。

研究人员开发了SLS-PCCNN-MAGRes-UNet系统，其创新性体现在三方面：首先采用时间-频域偏振滤波(TFDPF)消除气泡和毛发伪影；其次构建渐进循环卷积神经网络(PCCNN)，通过跨层反馈循环优化特征提取；最后整合多注意力门控残差模块(MAGRes)，增强边缘敏感度。模型在ISIC 2020数据集测试中，Dice系数达0.98，较传统方法提升33.87%，相关成果发表于《Biomedical Signal Processing and Control》。

关键技术包括：1)基于ISIC 2020数据库的样本采集；2)TFDPF预处理消除光学伪影；3)PCCNN-MAGRes-UNet双路径架构设计；4)广义Dice损失函数优化。

研究结果显示：在"Result with discussion"部分，模型在NVIDIA Quadro RTX 8000硬件平台实现99.2%准确率，Jaccard指数比SLS-CU-Net提升34.78%；"Proposed methodology"章节验证了RGB多通道输入对纹理特征提取的增益效果；"Conclusion"部分指出该方法将训练周期缩短至50个epoch，显著降低计算成本。

该研究的突破性在于：首次将循环反馈机制引入皮肤病灶分割，通过PCCNN实现特征渐进优化；MAGRes模块通过空间和通道注意力协同工作，有效解决边缘模糊问题。临床价值体现在：1)为5年生存率差异达80%的早晚期病例提供鉴别工具；2)兼容医疗级GPU设备，推动基层医院应用。未来可扩展至其他医学图像分割领域，如眼底病变和病理切片分析。