MobileNetV3-UNet: 提升皮肤病变自动分割的高性能解决方案

本文主要探讨了在医学信息学背景下，皮肤病变自动分割在提高黑色素瘤计算机辅助诊断（Computer-Aided Diagnosis, CAD）效率中的重要应用。针对皮肤镜图像中存在的伪影和病变边界模糊、纹理、颜色和形状的异质性，研究者提出了利用轻量级编码器-解码器结构——MobileNetV3-UNet进行自动皮肤病变分割（Skin Lesion Segmentation, SLS）。这种方法旨在实现在低资源环境下仍保持高精度的分割任务。 文章的核心创新包括对现有编码器-解码器架构的优化。首先，通过引入双向ConvLSTM层，借鉴自BCDU-Net，提升了模型对病变区域动态特征的理解；其次，采用了可分离块，这是从可分离UNet架构中提取的有效组件，有助于提高模型的表达能力和分割效果。为了增强模型的泛化能力，研究者采用了随机增强技术，增加训练数据集的多样性，防止过拟合，并结合随机加权平均（SWA）学习策略，通过平均多个局部最优解来提升整体性能。 研究者选择了三个公开可用的数据集，即ISIC-2017、ISIC-2018和PH2，对改进后的MobileNetV3-UNet方法进行了评估。结果显示，新方法在这些数据集上的表现显著，取得了Dice系数和Jaccard指数的优秀成绩，例如在ISIC-2017上达到87.74%和80.25%，ISIC-2018上为91.01%和83.44%，以及在PH2上分别达到了95.18%和91.08%。这些结果表明，改进后的MobileNetV3-UNet在皮肤病变自动分割任务中表现出优于现有方法的性能，对于早期诊断黑色素瘤具有实际应用价值，从而显著改善了患者的预后。 本研究通过结合轻量化网络、深度学习技术和数据增强策略，为医学图像分析领域的皮肤病变自动分割提供了新的解决方案，有助于提高皮肤癌尤其是黑色素瘤的早期检测率，对于降低死亡率和改善患者生命质量具有重要意义。