多尺度且考虑边缘信息的IFGNet算法，用于高分辨率皮肤镜图像中精确的皮肤病变分割

《Scientific Reports》：Multi-scale and edge-aware IFGNet for precise skin lesion segmentation in high-resolution dermoscopic images

　　

摘要

对皮肤镜图像进行准确的分割对于早期黑色素瘤的诊断至关重要，但目前的方法仍存在局限性。基于卷积神经网络（CNN）的模型能够捕捉局部细节，但缺乏全局上下文；而基于Transformer的方法虽然能够模拟长距离的依赖关系，但往往无法保留精细的结构；这两种方法都难以处理模糊的边界和尺寸变化。为了解决这些问题，我们提出了IFGNet，这是一个混合式分割框架，它整合了CNN和Transformer的优势、多尺度卷积以及边界感知解码技术。具体来说，我们的设计结合了局部与全局特征融合、无需膨胀的大核并行卷积以及边界精细化策略，以提高病变识别的准确性。在ISIC 2016、ISIC 2017和ISIC 2018基准测试中的大量实验表明，IFGNet在Dice分数和IoU指标上始终优于现有的最先进方法。这些结果凸显了IFGNet在实现高精度皮肤病变分割方面的有效性，并表明其在临床计算机辅助黑色素瘤诊断中的潜力。