融合CNN与Transformer的轻量级尺度感知皮肤病变分割网络FIMA-Net

《Scientific Reports》：FIMA-Net: a network with focused feature interaction fusion module with lightweight scale-aware attention for skin lesion image segmentation

　　摘要皮肤病变图像中病变区域的精确分割在皮肤病变的计算机辅助诊断系统中起着关键作用。然而，由于皮肤病变图像结构复杂以及某些病变区域与周围背景的对比度较低，实现高精度分割仍是一个重大挑战。传统卷积神经网络难以捕获长距离上下文依赖关系，而Transformer擅长建模这种全局关系，为此问题提供了一种极具前景的解决方案。为了有效结合两种网络架构的优势，本文将卷积神经网络的精确空间定位能力与Transformer的语义理解能力相结合，并设计了一个专用的特征交互模块，以实现其优势的深度互补融合。此外，考虑到皮肤病变的大小和形态存在显著差异，本文引入了轻量级尺度感知注意力机制，在保持网络效率的同时增强多尺度特征提取能力。在两个公共数据集ISIC2018和HAM10000上进行了大量对比实验。实验结果表明，提出的FIMA-Net模型在ISIC2018数据集上的Dice系数达到88.41%，在HAM10000数据集上达到94.61%，在定量指标和视觉分割质量方面均优于现有的最先进算法。特别是，在处理困难案例时显示出显著增强的鲁棒性，同时在分割精度和计算成本之间取得了良好的平衡。