CGMU-Net: A Classification-Guided Cross-Interaction Network for Computer-Assisted Dermoscopy Skin Lesion Segmentation
该论文提出了 CGMU-Net，一种分类引导的跨交互网络，该网络通过整合注意力融合、通道增强和病灶感知模块，旨在解决形状不规则和边界模糊等挑战，从而实现准确且鲁棒的皮肤镜皮肤病变分割。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
皮肤癌，尤其是被称为黑色素瘤的侵略性形式，仍然是全球面临的一项严重的健康挑战。早期检测是挽救生命最有效的方法，然而，识别这些危险的生长物往往依赖于医生的肉眼以及在照片上对手法病变边缘的手动描绘。这个过程缓慢，且因医生而异，并可能在皮肤纹理不均匀或颜色较淡的图像中遗漏细微之处。为了提供帮助，科学家们转向了计算机，教它们自动识别并勾勒出这些皮肤斑点。虽然现代计算机程序已经变得相当出色，但当病变具有模糊的边缘、看起来与周围皮肤非常相似或呈现奇怪形状时，它们仍然难以应对。目标是创造一种工具，使其能像人类专家一样清晰地观察这些困难的斑点，同时具备完美的连贯性和速度。
在最近的一项研究中，来自厦门工程大学和清华大学的研究人员推出了一种新的计算机系统，旨在解决这些特定的视觉问题。他们将他们的创造物称为 CGMU-Net，这是一个复杂的程序，可以观察皮肤镜图像——即使用放大设备拍摄的皮肤近距离特写照片——并在任何异常生长物周围绘制精确的轮廓。该系统旨在处理皮肤图像中混乱的现实情况，即边界往往是模糊的，且病变与健康皮肤之间的对比度较低。该网络不仅仅是寻找模式，它采用了一种结合三种不同观察图像方式的策略：理解斑点的总体形状、密切关注精确的边缘，并使用二次检查来确认这是哪种类型的斑点。
该系统的核心工作原理是让程序的不同部分不断地相互交流。想象一下，这个程序就像是一个专家团队。团队的一部分专注于大局，识别病变存在的总体区域。另一部分则专注于精细的细节，试图找到皮肤变化的精确线条。在旧系统中，这两个部分通常孤立工作或仅仅是将各自的发现拼凑在一起，这会导致诸如边缘锯齿状或缺失角落之类的错误。在这一新设计中，“大局”专家和“细节”专家会实时分享信息。这种“交叉对话”使系统能够优化轮廓，确保即使在图像模糊的情况下，边缘也能保持平滑且准确。
为了确保系统不会被不同大小的皮肤斑点所迷惑，研究人员增加了另一层智能。皮肤病变可能是微小的，也可能是相当大的，单一视角往往会错过完整的背景信息。新系统通过多个“镜头”同时观察图像，从不同的尺度收集信息。然后，它会权衡这些不同的视角，以决定哪些细节对于该特定斑点最为重要。这有助于计算机忽略干扰性的背景噪声，如细小的毛发或皮肤纹理，同时将注意力严格集中在病变本身。此外，系统包含了一个内置的验证步骤。在最终确定轮廓之前，它会简短地自问：“这是哪种类型的皮肤状况？”这种额外的检查有助于系统保持对特定病变特征的警觉，从而降低错过微小或颜色较淡的斑点的概率。
研究人员在三个全球科学家可公开获取的大型皮肤图像集合上测试了他们的新系统。这些集合被称为 ISIC 2017、ISIC 2018 和 PH2，其中包含数千张带有专家绘制轮廓的图像，作为正确答案。当新系统被要求勾勒这些图像中的病变时，它的表现优于目前正在使用的其他十一个领先的计算机程序。在 ISIC 2017 数据集上，它正确识别了 89.21% 的病变像素，这一得分高于任何其他模型。在 ISIC 2018 数据集上，它达到了 89.91% 的得分，而在较小的 PH2 数据集上，它达到了 95.01%。除了准确识别区域外，该系统在绘制边界方面也更加精确，在计算机线条与专家线条之间的误差更少。
为了准确了解为什么这个新系统效果如此之好，研究人员进行了一系列测试，每次移除一个功能。当他们移除让“大局”和“细节”专家进行交流的部分时，系统寻找边缘的能力显著下降。当他们移除从多个尺度观察图像的部分时，系统在保持病变形状完整和连续方面表现挣扎。当他们移除最后那个询问“这是什么？”的检查环节时，系统漏掉了更多的微小或较淡的斑点。这些测试证实了系统的每个部分都发挥着至关重要的作用，并且当它们全部存在并协同工作时效果最好。最终的系统也是高效的；虽然它比这些程序的简单版本更复杂，但它所需的计算能力比其他一些高性能模型要少，使其成为实际应用的实用选择。
研究得出结论，这种新方法为帮助医生分析皮肤图像提供了一个稳健的解决方案。通过结合语义理解、边界精度和多尺度感知，该系统克服了困扰以往尝试的模糊边缘和低对比度等常见障碍。虽然目前的结果是基于公开数据集和寻找斑点与否的二元任务，但研究人员指出，未来的工作需要在真实的临床环境中进行测试，并跨越不同类型的医学成像。目前，研究结果表明，赋予计算机交叉检查其观察结果并优化其焦点的能力，可以带来更清晰的皮肤健康图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。