Key points are not available for this paper at this time.
병변 분할 알고리즘은 의료 영상에서 병변 영역을 자동으로 윤곽을 그려 보다 효과적으로 임상적으로 중요한 특징을 식별하고 평가할 수 있도록 하며, 효능과 진단 정확도를 개선합니다. 그러나 대부분의 완전 합성곱 신경망 기반 분할 방법은 이미지 해상도를 낮출 때 공간 및 맥락 정보 손실로 어려움을 겪습니다. 이러한 단점을 극복하기 위해, 본 논문은 다중 스케일 맥락 정보를 활용할 수 있는 피부 병변 분할 모델인 다중 스케일 맥락 주의 네트워크(MSCA-Net)를 제안합니다. U-Net의 스킵 연결에서 영감을 받아, 다중 스케일 특징과 상호작용하여 인코더와 디코더 경로 특징의 다중 스케일 맥락 정보를 효과적으로 융합하는 다중 스케일 브릿지(MSB) 모듈을 설계했습니다. 또한, 글로벌 맥락 정보를 포착하기 위한 글로벌-로컬 채널 공간 주의 모듈(GL-CSAM)을 제안합니다. 추가적으로, 디코더의 다중 스케일 특징을 최대한 활용하기 위해 계층적 반복적 깊은 감독을 이루기 위한 스케일 인지 깊은 감독(SADS) 모듈을 제안합니다. ISIC 2017, ISIC 2018 및 PH2의 공개 데이터셋을 이용한 포괄적인 실험 결과는 우리가 제안한 방법이 다른 최신 방법들보다 우수함을 보여주며, 우리의 방법이 피부 병변 분할에 대한 효능을 입증합니다. 우리 코드는 https://github.com/YonghengSun1997/MSCA-Net에서 이용할 수 있습니다.
Sun et al. (Mon,)은 이 질문을 연구했습니다.