HMP-MUNet: Ein hybrides Deep-Learning-Framework für die automatisierte Segmentierung von Hautläsionen in dermoskopischen Bildern

Dazhou Li; Chenyu Li; Wei Gao; Han Shi

doi:10.3791/69449

Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

HMP-MUNet: Ein hybrides Deep-Learning-Framework für die automatisierte Segmentierung von Hautläsionen in dermoskopischen Bildern

224 Aufrufe

⸱

DOI:

10.3791/69449

⸱

17. März 2026

Dazhou Li^*¹ , Chenyu Li^*¹ , Wei Gao^*² , Han Shi³

¹College of Computer Science and Technology, Shenyang University of Chemical Technology, ²Quanzhou Vocational and Technical University, ³Information Department, Liaoning University

^* These authors contributed equally

In diesem Artikel

Zusammenfassung

HMP-MUNet führt ein hybrides Deep-Learning-Framework für die automatisierte Hautläsionsegmentierung ein. Durch die Integration von State-Space-Modellen mit multiskaligen Aufmerksamkeitsmechanismen verbessert es die Segmentierungsgenauigkeit und optimiert die Recheneffizienz und bietet so eine robuste Lösung für die Diagnose von Hautkrebs in klinischen Einrichtungen.

Zusammenfassung

Computergestützte Diagnosesysteme für kutane Läsionen stehen vor erheblichen Herausforderungen, sowohl hohe diagnostische Genauigkeit als auch Recheneffizienz zu erreichen. Aktuelle Deep-Learning-Ansätze erfordern oft erhebliche Rechenressourcen, während sie Schwierigkeiten haben, die komplexen morphologischen Unterschiede zu erfassen, die Hautläsionen über verschiedene Skalen hinweg innewohnen. High-order Multi-scale Parallel Vision Mamba U-Net (HMP-MUNet), ein neuartiges Deep-Learning-Framework, das diese Einschränkungen durch ein innovatives architektonisches Design adressiert, das State-Space Models mit fortschrittlichen Multi-Scale-Verarbeitungsfähigkeiten kombiniert.

Der in dieser Studie beschriebene Ansatz integriert ein hybrides U-Net-Framework, das ein High-Order Vision State-Space-Modul für globale Kontextmodellierung, ein multiskaliges dilatated attention fusion network für hierarchische Merkmalsextraktion über mehrere rezeptive Felder hinweg und ein paralleles multi-tiefenflexibles Netzwerk für rechnergestützte Optimierung kombiniert. Diese Architektur verwendet einen modifizierten U-förmigen Encoder-Decoder mit größeren Kanaldimensionen und fortschrittlichen Aufmerksamkeitsmechanismen, um das Feature-Lernen zu verbessern.

Eine umfassende Auswertung von Benchmark-Datensätzen zeigt einen Würfelähnlichkeitskoeffizienten von 95,85 % auf PH2 und 90,44 % auf ISIC2018. Das Modell erreicht diese überlegene Genauigkeit mit nur 7,61 Millionen Parametern, was eine bemerkenswerte Reduzierung von 72,2 % im Vergleich zu bestehenden Vision-Mamba-Architekturen darstellt und dabei eine hohe Segmentierungsgenauigkeit beibehält. Das leichte Design zeigt Potenzial für den Einsatz in verschiedenen klinischen Einrichtungen und bildgebenden Modalitäten, vorbehaltlich der klinischen Validierung, von spezialisierten dermatologischen Zentren bis hin zu Primärversorgungseinrichtungen.

HMP-MUNet bietet eine automatisierte Lösung für Hautläsionssegmentierung, die die diagnostische Konsistenz verbessert und klinische Arbeitsabläufe unterstützt, mit Potenzial für weitere Validierung im klinischen Einsatz. Die Integration von High-Order-Modellierungsmöglichkeiten mit praktischen Einsatzüberlegungen bietet eine potenzielle Lösung zur Verbesserung der Hautkrebs-Screening-Protokolle und zur Erweiterung der Zugänglichkeit der Gesundheitsversorgung in computergestützten Diagnoseanwendungen.

Einleitung

Computergestützte Diagnosesysteme (CAD) zielen darauf ab, medizinische Bildgebungspraktiken in klinischen Fachrichtungen zu verbessern und so die Ansätze zur Krankheitserkennung, Diagnose und Behandlungsplanung zu verbessern¹. In der Dermatologie hat sich die Integration von künstlicher Intelligenz (KI) und fortschrittlichen Bildgebungstechniken als entscheidendes Werkzeug zur Verbesserung der diagnostischen Genauigkeit und klinischen Ergebnisse etabliert, insbesondere bei der Früherkennung von Hautkrebs, das etwa 90 % aller Hautkrebserkrankungen^ausmacht. Die Entwicklung ausgefeilter alg....