基于TransUNet的皮肤病分割网络

摘要

皮肤病灶分割是医学影像分析的重要任务，针对其病灶区域形态多样，难以提取完整边界特征的特点，本文提出一种基于TransUNet的皮肤分割网络。主要改进以下3个方面：（1）改进十字双分支Transformer，使模型在十字窗口内计算自注意力，高效建模全局依赖；（2）采用多维度特征提取模块，通过多尺度大卷积核与多维注意力机制，捕捉皮肤病灶的边界信息；（3）引入深浅层融合模块，采用动态权重策略，实现特征完整融合，增强模型鲁棒性。实验表明在ISIC2017和ISIC2018数据集中，本文算法均取得最优性能。其中ISIC2017数据集Jaccard系数达到85.8%，相比基线TransUNet提高3.6%。在ISIC2018数据集中Dice相似系数达到90.3%，相比基线TransUNet提高2.8%。

关键词

皮肤病灶分割 / 图像分割 / Transformer / 注意力机制 / 深度学习