SFUNet：一种基于模糊学习的皮肤病变分割方法

《International Journal of Imaging Systems and Technology》：SFUNet: A Skin Lesion Segmentation Method Based on Fuzzy Learning

　　

摘要

近年来，基于深度学习的分割模型为自动皮肤病变诊断提供了新的视角和方法。然而，在处理皮肤镜图像时，现有方法常常会忽略不明确的病变边界和模糊区域，从而导致分割的稳定性和准确性受限。为了解决这个问题，本文提出了一种基于模糊学习的新型皮肤镜图像分割网络，命名为SFUNet。通过将Transformer主干网络集成到U-Net架构中，该模型可以从输入的医学图像中提取语义信息，并生成用于分割的像素级表示。由于皮肤镜图像分割中边界不确定性和区域模糊性普遍存在，因此在U-Net的跳跃连接路径中加入了一个新的自适应模糊模块。该模块为输入的多尺度特征构建了几个隶属函数，以表征不确定性病变边界处的渐进过渡，并对重构的特征应用自适应的门控融合机制，从而提高边界准确性并抑制噪声。此外，在解码器中引入了注意力机制以聚焦于与病变相关的区域。通过将SFUNet与ISIC 2017和ISIC 2018数据集上的现有先进分割网络进行比较，评估了其有效性。在PH empty to the second power' data-speech-attached="true" data-semantic-braille="?????" data-braille-attached="true" has-speech="true" style="font-size: 103%; position: relative;"> empty to the second power' data-semantic-summary ' power' data-semantic-braille="?????"> empty' data-semantic-prefix=" Base' data-semantic-summary 的二次方' data-semantic-braille="?"> 二次方' data-Semantic prefixes="E" data-semantic-sum="E^2">2$$$ {\kern0.5em }^2 $$$ 数据集上验证了该模型的泛化能力。实验结果表明，SFUNet改善了重叠率和边界度量指标，展示了其强大的分割性能和计算效率。

利益冲突

作者声明没有利益冲突。

数据可用性声明

这些数据集可在以下公共仓库获取：https://challenge.isic-archive.com/data/, https://www.fc.up.pt/addi/ph2%20database.html。