EHFRNT：结合模糊聚类与Transformer的边界感知混合深度学习框架，用于分割引导的皮肤病变分类

《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES INDIA SECTION A-PHYSICAL SCIENCES》：EHFRNT: A Boundary-Aware Hybrid Deep Learning Framework with Fuzzy Clustering and Transformer for Segmentation-Guided Skin Lesion Classification

　　摘要 早期且正确的诊断黑色素瘤及其他恶性皮肤疾病对促进及时诊断至关重要，而准确的皮肤损伤分类不可或缺。然而，传统深度学习方法面临诸多问题，例如正常图像与异常图像数量差异显著、损伤类别间视觉相似性强、损伤边界模糊以及模型表征困难。为克服上述局限性，本文提出了一种用于分割引导皮肤损伤分类的增强型犹豫边界感知模糊循环神经网络与Transformer（EHFRNT），这是一种新的混合深度学习模型。所提出的分割方法采用边界感知策略，精确定位损伤区域并过滤无关背景噪声，从而提升特征可靠性。针对复杂视觉场景下损伤特征的不确定性，采用犹豫模糊聚类机制进行建模。此外，利用循环学习捕捉序列特征依赖性，并通过Transformer实现长程上下文关系学习，以增强类别判别能力。EHFRNT框架在ISIC、Melanoma Detection和HAM10000等基准数据库上进行了分割与分类测试。实验结果表明，EHFRNT在CNN、VGG16、UNet++、Attention U-Net、TransUNet及CNN-LSTM等最先进模型上均表现更优。在Melanoma Detection数据集上，该模型取得99.0%准确率、98.50%精确率、99.85%召回率及98.63% F1分数；在HAM10000数据集上以99.70%准确率保持稳定性能。消融实验进一步验证了各组件的贡献，分别在70:30划分下达到99.52%准确率，在80:20划分下达到99.88%准确率。总之，EHFRNT是一种可靠且高效的自动化皮肤损伤分类方法，可用于辅助临床决策支持系统。