多尺度三重注意力感知网络（MTA-Net）在皮肤病变多分类诊断中的创新应用

针对皮肤病变多分类中类间高相似性和类内大变异性的挑战，研究人员提出多尺度三重注意力感知网络（MTA-Net），通过整合多尺度三重空间注意力（MTSA）和通道注意力（MTCA）模块，在HAM10000和ISIC 2019数据集上分别实现91.51%和78.4%的准确率，显著提升计算机辅助诊断（CAD）系统的性能。

　　

皮肤癌是全球范围内发病率持续上升的恶性肿瘤，早期诊断对患者生存率至关重要。然而，传统基于视觉的皮肤镜检查存在主观性强、耗时且依赖专家经验等问题。尽管卷积神经网络（CNN）在皮肤病变分类中展现出优势，但现有方法难以捕捉多尺度下病变的细微差异，尤其在多分类任务中面临类内变异大、类间相似性高的挑战。

为此，研究人员提出多尺度三重注意力感知网络（MTA-Net），其核心是通过预训练CNN架构与新型MTA模块的结合，强化对病变区域的多尺度特征学习。MTA模块由多尺度三重空间注意力（MTSA）和多尺度三重通道注意力（MTCA）串联组成，能够从空间和通道维度建模跨尺度的特征交互。研究采用HAM10000和ISIC 2019两个公开数据集验证模型性能，通过消融实验和可视化分析（如Grad-CAM）证实MTA模块的有效性。

关键技术方法

1. 基于预训练CNN的骨干网络提取初始特征；

2. 设计MTA模块（含MTSA和MTCA）捕捉多尺度空间和通道关系；

3. 使用平衡多分类准确率（BMCA）等指标评估性能；

4. 通过消融实验验证模块必要性。

研究结果

1. 性能对比：MTA-Net在HAM10000和ISIC 2019上的准确率分别达91.51%和78.4%，BMCA为87.18%和66.7%，优于现有方法；

2. 注意力机制分析：MTSA和MTCA通过三重注意力结构增强了对病变区域的定位能力；

3. 多尺度优势：实验表明多尺度设计显著提升了对不同尺寸和形状病变的适应性；

4. 可视化验证：Grad-CAM显示模型聚焦于临床相关区域，如病变边缘和纹理。

结论与意义

MTA-Net通过创新性地融合多尺度与三重注意力机制，解决了皮肤病变多分类中的特征提取瓶颈。其模块化设计可灵活嵌入现有CNN框架，为计算机辅助诊断（CAD）系统提供了高精度的解决方案。该研究发表于《Computers in Biology and Medicine》，不仅推动了深度学习在医学图像分析中的应用，也为临床实践中复杂皮肤病变的自动化分类提供了新思路。