具有伪影抑制的双分辨率残差架构用于黑素细胞病变分割.pdfVIP

具有伪影抑制的双分辨率残差架构用于黑素细

胞病变分割

1,21,21,2

VikramSingh,KabirMalhotra,RohanDesai,

1,21,2

AnanyaShankaracharya,PriyadarshiniChatterjee,

KrishnanMenonIyer1,2

1SNAITResearch.

2SuryaNetAITechnologies(SNAIT).

本

译摘要

中黑色素瘤在皮肤镜图像中的精确分割是自动皮肤癌筛查和临床决策支持的关键步

骤。与自然场景的分割不同，病灶勾画必须协调细微的纹理和颜色变化、频繁出现

1的伪影（毛发、尺子、气泡）以及对精准边界定位的强大需求以支持下游诊断。本

v文我们介绍了我们的方法，一种受ResNet启发的双分辨率架构，专门用于黑色素

6瘤分割。该方法保持了全分辨率流以保留精细的边界信息，同时互补池化流聚合多

1

8尺度上下文线索以实现稳健的病灶识别。这些流通过边界感知残差连接紧密耦合，

6将高频边缘信息注入深度特征图，并通过通道注意力模块适应皮肤镜外观的颜色和

0纹理敏感性。为进一步解决常见的成像伪影和临床数据集规模有限的问题，我们提

.出了一种轻量级伪影抑制块和一个多任务训练目标，该目标结合了Dice–Tversky

8分割损失、显式边界损失以及特征稳定性的对比正则化器。综合设计生成像素精确

0

5的掩模而无需复杂的后处理或预训练协议。在公共皮肤镜基准上的广泛实验表明，

2我们的方法显著提高了边界附着性和临床相关的分割度量指标，相比标准编码–解

:码基线，使其成为自动黑色素瘤评估系统实用构建模块。

v

i

x

r

a

1介绍

黑色素瘤肿瘤在皮肤镜图像中的自动分割是计算机辅助黑色素瘤筛查、病变

监测和术前规划的基础步骤。高质量的病变更改区域蒙版能够支持下游任务，如

特征提取（不对称性、边界不规则性、颜色变化）、定量大小测量和风险分层。与

自然场景分割相比，皮肤镜分割需要极其精确的边界定位，因为小的边界误差会

1

显著改变临床测量值和诊断评分。此外，皮肤镜图像还存在独特的挑战：病变更

改区域与其周围皮肤之间的对比度低，病变内部颜色和纹理异质性，频繁出现成

像伪影（毛发、墨水标记、尺子刻度、镜面高光），以及往往受限的标注数据集限

制了模型的复杂度。

大多数现代医学图像分割方法遵循全卷积范式：编码器提取分层特征，解码

器恢复空间细节以生成像素级标签图。流行的编码器–解码器设计源自分类主干

网络（例如ResNet或VGG变体），这些设计得益于在大型自然图像语料库上的迁

移学习，从而加快了收敛速度并提高了对病变模式的识别能力。然而，这类主干

网络针对的是图像级别的区分，并且通常依赖于连续的空间下采样以增加感受野

和对抗平移的鲁棒性。虽然下采样有助于识别全局上下文，但它会降低准确描绘

病变边界的所需空间精度。常见的补救措施