GS-TransUNet ：集成二维高斯散射和变换 U 型网络的皮肤病变准确分析-计算机科学-深度学习-计算机视觉-皮肤病变分析.pdfVIP

GS-TransUNet：集成二维高斯散射和变换U型网络的皮肤病变准

确分析

aaa

AnandKumar,KavinderRoghitKanthen,andJosnaJohn

aUniversityofCalifornia,SanDiego

ABSTRACT

我们可以通过计算机视觉和深度学习技术的最新发展实现快速且一致的早期皮肤癌检测。然而，现有

的皮肤病变分割和分类预测模型独立运行，因此错过了集成执行可能带来的潜在效率。为了统一皮肤病变

分析，我们的论文提出了高斯溅射-TransformerUNet（GS-TransUNet），这是一种将2D高斯溅射与

TransformerUNet架构协同结合的新方法，用于自动化的皮肤癌诊断。我们统一的深度学习模型高效地提

供了双重功能的皮肤病变分类和分割，以供临床诊断使用。在ISIC-2017和PH2数据集上通过5折交叉验

证评估，我们的网络在多个指标上优于现有的最先进的模型。我们的研究结果展示了在分割和分类精度上

本的显著进步。这种集成设定了该领域的全新基准，并突显了进一步研究多任务医学图像分析方法的潜力，有

望提升自动化诊断系统。

译

中Keywords:皮肤病变分析，高斯散射，视觉变换器，皮肤镜检查

21介绍

v

8皮肤癌已成为公共健康面临的最严峻挑战之一，其中恶性黑色素瘤是最致命的形式，约占所有与皮肤

41

癌相关的死亡病例的75%。早期发现和准确诊断对于降低死亡率和改善患者预后至关重要。在过去的几

7

6十年里，医学成像和人工智能的进步促进了自动化的皮肤癌诊断系统的开发，其表现可媲美专家皮肤病医

2,3

1生。然而，这些系统往往将任务简化为二分类问题，忽视了病变分割的重要作用。实际上，分割提供了

2.关于病灶不对称性、边界不规则性、强度和大小等关键信息，这些都是有效诊断不可或缺的。4

0

5

2

:

v

i

x

r

a

图1:一个简化的概述。流程图展示了我们如何以统一的方式使用双任务方法进行皮肤病变分类和分割。

认识到这一差距，我们提出了高斯投影视图-变压器UNet（GS-TransUNet），这是一个旨在优化病灶

5

分割和分类任务的新型框架。通过集成卷积神经网络（CNNs）和视觉变换器（ViT），GS-TransUNet同

时捕捉局部细节（病灶纹理和颜色）和全局上下文（病灶形状和空间关系），如图1所示。与之前的模型6

不同，GS-TransUNet引入了2D高斯散射，这是一种用于生成椭圆形病灶精确二值掩模的完全可微分方

法，在没有地面实况掩模的情况下也能提高分割准确性。这种集成增强了分割一致性，并通过聚焦于病灶

区域并忽略诸如头发、鳞片和胶带等伪影来确保稳健的分类性能。

7

在UNet的基础架构上，GS-TransUNet通过在编码器中引入Transformer层来解决UNet固有的建

模长距离依赖性的局限性。这些层利用多头自注意力(MSA)建立远距离的相关性，使能够分割通常在皮肤

8

镜图像中观察到的广阔或不规则区域。该框架还引入了创新的损失策略，包括双重任务一致性(DTC)，以

Code:/AnandK27/GS-TransUNet,Correspo