基于注意力残差U-Net的皮肤镜图像分割方法

摘要：

针对皮肤镜图像类内差异性、类间相似性、数据集不平衡等问题,本文提出了一种基于注意力残差U-Net(attention residual block-UNet,ARB-UNet)的皮肤镜图像分割方法.将卷积块注意力机制模块(convolutional block attention module,CBAM)引入到U-Net模型的"跳过连接"中;同时将CBAM模块集成到残差模块DRB(dilated residual networks)中得到注意力残差结构(attention residual block,ARB);且选取Focal Tversky Loss作为该模型的损失函数;在ISIC2016 数据集上对所提ARB-UNet模型进行训练和测试,并与传统方法和U-Net等经典方法进行了对比实验,实验结果中灵敏度(sensitivity,SE)达到了 92.9%,特异性(specificity,SP)达到了 94.1%,Dice相似指数(dice similarity cofficient,DSC)达到了 92.1%,整体上均优于其他对比方法,从而验证了本文方法是有效的和可行的.

关键词：图像分割、皮肤镜、卷积神经网络、注意力残差 U-Net、注意力机制、卷积块注意力机制模块、深度学习、残差网络

所属期刊栏目：18

分类号：TP391(计算技术、计算机技术)

资助基金：安徽省教育厅重大项目;安徽省检测技术与节能装置重点实验室开放基金项目

在线出版日期：2023-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：699-707