HMP-MUNet 提出了一种用于皮肤病变自动分割的混合深度学习框架。该框架通过融合状态空间模型与多尺度注意力机制，在提高分割精度的同时优化了计算效率，为临床环境中的皮肤癌诊断提供了稳健的解决方案。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
研究文章
* These authors contributed equally
HMP-MUNet 提出了一种用于皮肤病变自动分割的混合深度学习框架。该框架通过融合状态空间模型与多尺度注意力机制，在提高分割精度的同时优化了计算效率，为临床环境中的皮肤癌诊断提供了稳健的解决方案。
用于皮肤病变的计算机辅助诊断系统在实现高诊断准确性和计算效率方面面临重大挑战。当前的深度学习方法通常需要大量的计算资源，同时难以捕捉不同尺度下皮肤病变固有的复杂形态学变异。高阶多尺度并行视觉Mamba U-Net（HMP-MUNet）是一种新型深度学习框架，通过结合状态空间模型与先进的多尺度处理能力的创新架构设计，有效克服了这些局限性。
本研究中描述的方法整合了一种混合U-Net框架，该框架结合了用于全局上下文建模的高阶视觉状态空间模块、用于在多个感受野范围内进行分层特征提取的多尺度扩张注意力融合网络，以及用于计算优化的并行多深度灵活网络。该架构采用改进的U形编码器-解码器结构，通过增加通道维度和引入先进的注意力机制，以增强特征学习能力。
在基准数据集上的综合评估显示，该模型在PH2数据集上的Dice相似系数达到95.85%，在ISIC2018数据集上达到90.44%。该模型仅使用7.61M参数即实现了这一优异的精度，与现有的Vision Mamba架构相比，参数量显著减少了72.2%，同时保持了高分割精度。这种轻量级设计在各种临床环境和成像模式中具有部署潜力，从专业的皮肤科中心到基层医疗机构均可应用，但需进一步的临床验证。
HMP-MUNet 提供了一种用于皮肤病变分割的自动化解决方案，可提高诊断的一致性并支持临床工作流程，在临床应用中具有进一步验证的潜力。该方法将高阶建模能力与实际部署需求相结合，为改进皮肤癌筛查方案以及在计算机辅助诊断应用中扩大医疗可及性提供了潜在解决方案。
计算机辅助诊断（CAD）系统旨在改善临床各个专业领域的医学影像实践，提高疾病检测、诊断和治疗规划的水平1。在皮肤科领域，人工智能（AI）与先进成像技术的结合已成为提高诊断准确性和临床疗效的关键工具，尤其在皮肤癌的早期检测方面，皮肤癌约占所有皮肤恶性肿瘤的90%2。用于自动化皮肤病变分析的复杂算法方法的发展推动了精准医学的进步，能够在不同的医疗环境中提供标准化、可重复的诊断支持，从而增强临床决策能力3,4。
现代皮肤科影像学包含多种成像方式，包括皮肤镜、数字摄影、光学相干断层扫描和多光谱成像系统5医务人员利用皮肤镜图像，通过耗时且劳动密集型的手工方法诊断皮肤癌，该过程需要丰富的专业经验6在不同临床环境和成像条件下保持诊断一致性的挑战，推动了计算机辅助诊断（CAD）系统的发展，此类系统可对皮肤病变提供客观、定量的分析。从皮肤镜图像中对皮肤病变进行分割是一项关键的预处理步骤，直接影响后续分类的准确性及临床应用价值7通常，计算机辅助皮肤癌诊断包含五个步骤：图像获取、预处理、分割、特征提取和分类8<....
访问受限。请登录或开始试用以查看此内容。
本研究严格遵守机构关于计算研究和数据处理的指导原则。本研究未涉及人类受试者或脊椎动物。
数据集准备与预处理
数据集的收集与组织
皮肤镜图像来自 PH2、ISIC2018 和 ISIC2017 数据集，具体链接见材料表。PH2 数据集包含 200 张高分辨率图像（1000 × 1000 像素），ISIC2018 包含 2,594 张带对应分割掩膜的图像，ISIC2017 包含 2,150 张带分割掩膜的图像。数据按照标准协议划分为训练集、验证集和测试集，确保图像为兼容格式（例如 .jpg、.png 或 .tiff），并包含以二进制格式提供的对应真实标签掩膜。
数据按照标准协议划分为训练集、验证集和测试集。数据集的划分如下：ISIC2018 数据集中，1,815 张图像用于训练，259 张用于验证，520 张用于测试；ISIC2017 数据集中，1,500 张图像用于训练，220 张用于验证，430 张用于测试；PH2 数据集中，160 张图像用于训练，10 张用于验证，30 张用于测试。在整个预处理流程中，所有图像均保持一致的分辨率，即 256 × 256 像素。
访问受限。请登录或开始试用以查看此内容。
用于医学图像分割的 HMP-MUNet 架构设计
所提出的HMP-MUNet架构在皮肤病变自动分割任务中表现出卓越的性能。图1展示了完整的网络架构，呈现出从8到256通道逐步扩展的层次化U形编码器-解码器结构。三种专用模块以交替方式集成，被证明在捕获局部形态特征和全局上下文信息方面非常有效，这对于精确勾画病变边界至关重要。
实验验证表明，经过改进的U形设计在深度减小（从四个层级减少到两个层级）的情况下，成功保持了特征提取能力，同时显著降低了计算开销。用于初始特征提取的双重Conv2D操作有效处理了尺寸为256 × 256 × 3像素的输入张量，为后续处理阶段建立了稳健的基础特征。结合多尺度空洞注意力融合网络（MSDAFN）、空间注意力模块（SAB）和通道注意力模块（CAB）增强的跳跃连接，在信息流保留方面表现出优于传统U-Net架构的性能。
基于高阶视觉Mamba.......
访问受限。请登录或开始试用以查看此内容。
本研究提出了HMP-MUNet（高阶多尺度并行视觉Mamba U-Net），这是一种新颖的深度学习框架，通过将状态空间模型（State-Space Models, SSMs）与先进的架构组件进行创新性融合，解决了皮肤病变分割中计算机辅助诊断（CAD）所面临的基本挑战1。本文所述方法表明，将高阶特征交互机制与多尺度注意力及并行处理相结合，可在显著降低计算开销的同时实现更优的诊断准确性——这是临床部署的关键要求。该框架成功弥合了先进人工智能（AI）能力与实际临床适用性之间的差距，在PH2数据集上实现了95.85%的Dice相似性系数（DSC）（95%置信区间：[95.5%, 96.2%]），在ISIC2018数据集上达到90.44%（95%置信区间：[89.9%, 90.9%]），优于现有的视觉Mamba架构，且参数量减少了72.2%。根据配对t检验结果，上述提升具有统计学显著性，PH2和ISIC2018数据集的p值分别为0.004和0.0311。如图4和
访问受限。请登录或开始试用以查看此内容。
作者声明，他们与本研究无任何利益冲突。作者与任何可能不当影响本稿件所述工作的商业实体之间不存在财务关系。本研究独立开展，研究结果和结论仅为作者个人观点。由于英语并非作者的母语，本稿件的文字在撰写过程中借助了 ChatGPT 进行修改和润色。作者确认，人工智能辅助仅限于语言编辑，未涉及任何可能影响本工作科学完整性的内容生成或分析。
作者衷心感谢辽宁省教育厅科学研究项目（项目编号：LJ212510149013）和辽宁省自然科学基金面上项目（项目编号：2024-MSLH-377）提供的经费支持，这些资助使本研究得以顺利开展。我们感谢参与本研究的研究对象以及相关机构，他们为本研究所使用的公开数据集作出了贡献，从而实现了对本文所提出方法的全面验证。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| CUDA 11.8 | NVIDIA Corporation, Santa Clara, CA, USA | 软件 | |
| GPU（32 GB VRAM） | NVIDIA | 操作系统 | |
| ISIC2017 数据集 | ISIC 挑战赛 | https://challenge.isic-archive.com/data | 数据集 |
| ISIC2018 数据集 | ISIC 挑战赛 | https://challenge.isic-archive.com/data | 数据集 |
| NVIDIA V100 GPU | NVIDIA Corporation, Santa Clara, CA, USA | 硬件 | |
| PH2 数据集 | 波尔图大学 | https://www.fc.up.pt/addi/ph2 | 数据集 |
| Python 3.8 | Python | RRID:SCR_018536 | 软件 |
| PyTorch 1.13.0 | PyTorch | RRID:SCR_018536 | 软件 |
| Ubuntu 20.04 | Canonical | 硬件 |
访问受限。请登录或开始试用以查看此内容。