SG-UNet:基于全局注意力和自校准卷积增强的黑色素瘤分割模型

摘要

目的 提出了一种新的黑色素瘤分割模型SG-UNet，以提高黑色素瘤皮肤镜图像的精确分割。通过分割后边界特征评估，可以更准确地识别诊断黑色素瘤从而辅助早期诊断。方法 使用一种U形结构的卷积神经网络UNet，对其主干、跳跃连接和下采样池化部分进行改进。在主干部分，我们将UNet的下采样部分参考Vgg的结构将卷积数量由10个增加到13个加深网络层次来捕获更加精细的特征表示。为了进一步提升特征提取和细节识别的能力，主干部分将传统的卷积替换为自校准卷积增强模型对空间维度和通道维度特征的捕获能力。同时，在池化部分将哈尔小波下采样替换原有的池化层实现更有效的多尺度特征融合，并降低特征图的空间分辨率。接着将全局注意力机制融入到每一层的跳跃连接中更好地理解图像的上下文信息。结果实验结果表明SG-UNet在ISIC 2017和ISIC 2018数据集上的分割效果对比目前其他先进分割模型得到明显提升。在ISIC2017和ISIC 2018数据集上Dice,IoU分别达到了92.41%,86.62%和92.31%,86.48%。结论 实验结果证实，所提出的方法能够有效实现黑色素瘤的精确分割。

关键词

图像分割 / 全局注意力机制 / 黑色素瘤 / UNet / 自校准卷积 / 哈尔小波下采样 / SG-UNet