近年来，皮肤病变分割取得了显著进展；然而，由于复杂背景、模糊边界和低病变与皮肤的对比，准确的勾画仍然是一个挑战。为了解决这些问题，我们提出了损伤感知三通道特征融合网络（LTPNet），这是一个端到端的框架，通过特征提取、细化和聚合阶段逐渐处理特征。在提取阶段，我们结合了一般的前景-背景注意力以抑制背景干扰并加速模型收敛。在细化阶段，我们引入了注意空间调制器（ASM），以联合利用局部结构线索和全局语义上下文进行精确的空间调制。我们进一步开发了损伤感知轻量网关注意力（LALGA）模块，该模块执行针对病变特征的局部空间特征调制和全局通道重新校准。在聚合阶段，我们提出了一种三通道特征融合（TPFF）模块，该模块通过三条互补路径显式建模跨尺度特征关系：一条用于语义一致性的公共通路（CP），一条用于突出共同激活区域的显著性通路（SP），以及一条用于强调结构差异的差异通路（DP）。在域内和跨域数据集上的大量实验表明，LTPNet在合理的推理效率和模型复杂度下实现了优越的分割准确性，展示了其在高效且可靠的临床决策支持中的潜力.
Sun 等（周二）研究了这个问题。