基于曲率感知的选择性特征交互网络在皮肤病变分割中的应用

《Neural Networks》：Curvature-Aware Selective Feature Interaction Network for Skin Lesion Segmentation

皮肤病变分割中存在语义鸿沟与冗余信息交互两大挑战，本文提出CASFI-Net通过MGFI模块跨分辨率信息交互融合编码器与解码器的特征，并利用CASF模块基于曲率计算选择性保留关键边缘特征，有效提升分割精度与计算效率，实验验证其在ISIC2017/2018和PH2数据集上优于现有方法。

　　皮肤病变分割是医学图像分析中的一个重要课题，随着皮肤疾病发病率的上升，这一技术在临床诊断中的应用价值愈发凸显。皮肤病变的准确分割不仅有助于医生更好地理解病变区域的形态特征，还为后续的病理分析和治疗方案制定提供了坚实的基础。尽管近年来基于深度学习的分割方法取得了显著进展，但在实际应用中仍然面临两个关键挑战：一是编码器-解码器架构中语义鸿沟导致的特征交互不足；二是多尺度特征融合过程中可能引入冗余信息，从而影响分割的精度和效率。为了解决这些问题，本文提出了一种名为Curvature-Aware Selective Feature Interaction Network（CASFI-Net）的新型网络结构，旨在提升皮肤病变分割的准确性和计算效率。

CASFI-Net的核心思想在于通过改进编码器与解码器之间的特征交互机制，增强模型对皮肤病变区域的识别能力。具体而言，本文设计了两个关键模块：Multi-Grain Feature Interaction（MGFI）模块和Curvature-Aware Selective Feature（CASF）模块。MGFI模块通过引入注意力机制，实现跨分辨率的特征交互，从而有效整合编码器提取的低层次细节特征与解码器生成的高层次语义特征，解决传统方法中因语义鸿沟导致的特征融合不足问题。而CASF模块则通过评估特征图的曲率变化，选择性地保留具有高信息量的特征通道，从而减少冗余信息对模型性能的干扰。这两个模块的协同作用使得CASFI-Net在保持较低计算成本的同时，能够更精准地捕捉皮肤病变的边界细节和形状特征。

在皮肤病变的医学图像分析中，皮肤癌是一种常见且具有高度致命性的疾病。早期诊断和治疗对于提高患者的生存率至关重要。然而，传统的皮肤病变分析方法依赖于专家的经验，不仅耗时，而且容易受到主观判断的影响。为此，计算机辅助诊断（CAD）系统应运而生，通过自动化和智能化的方式，提高皮肤病变分析的效率和准确性。在CAD系统中，皮肤病变的分割是其关键步骤之一，因为只有精确地定位病变区域，才能进一步进行分类和诊断。因此，开发一种高效且准确的皮肤病变分割方法对于提升皮肤癌的早期检测能力具有重要意义。

近年来，基于卷积神经网络（CNN）和注意力机制的皮肤病变分割方法取得了显著进展。其中，U-Net架构因其对图像特征的高效提取和对上下文信息的良好建模能力，成为该领域研究的主流模型。许多研究者在此基础上进行了改进，例如通过引入跳跃连接、通道注意力和空间注意力模块，以增强模型对多尺度特征的融合能力。然而，这些方法在实际应用中仍然存在一些不足之处。首先，简单的跳跃连接可能无法充分整合编码器提取的低层次特征与解码器重构的高层次特征，导致语义信息与空间细节之间的不匹配，从而影响分割结果的清晰度和准确性。其次，多尺度特征融合过程中可能引入冗余信息，尤其是在解码器的输出阶段，这种冗余不仅增加了计算负担，还可能降低模型的泛化能力。

针对上述问题，本文提出了一种全新的解决方案，即CASFI-Net。该网络通过两个核心模块——MGFI和CASF，有效提升了皮肤病变分割的性能。MGFI模块的作用在于弥合编码器与解码器之间的语义鸿沟，从而增强模型对皮肤病变区域的感知能力。具体而言，MGFI模块利用注意力机制，引导不同分辨率特征之间的交互，使得模型能够更好地融合低层次的细节特征和高层次的语义特征。这种跨分辨率的特征交互不仅有助于恢复图像的空间分辨率，还能够提升模型对病变区域的整体理解能力。

CASF模块则是为了应对多尺度特征融合过程中可能产生的冗余问题而设计的。皮肤病变通常具有平滑且接近圆形的边缘，这些边缘的曲率变化对于分割结果具有重要影响。因此，CASF模块通过计算特征图的曲率值，评估各特征通道的重要性，并选择性地保留那些能够突出病变关键边缘特征的通道。这种基于曲率的特征选择机制不仅减少了冗余信息对模型的干扰，还使得模型在处理复杂背景和模糊边界的情况下，能够更精准地捕捉病变区域的轮廓信息。此外，CASF模块的引入还优化了特征通道的利用率，从而提升了模型的效率和鲁棒性。

为了验证CASFI-Net的有效性，本文在三个广泛使用的皮肤病变数据集上进行了实验：ISIC2017、ISIC2018和PH2。ISIC2017数据集包含2150张经过标注的皮肤镜图像，其中训练集和验证集分别由1500张和650张图像组成。ISIC2018数据集则是ISIC2017的延续，提供了更多的图像样本，用于进一步验证模型的泛化能力。PH2数据集则包含了具有不同形状和纹理特征的皮肤病变图像，特别适合用于测试模型在复杂背景下的表现。实验结果表明，CASFI-Net在这些数据集上的分割性能优于现有的多种先进方法，同时保持了较低的计算成本。这表明，CASFI-Net不仅在理论上具有创新性，而且在实际应用中也表现出良好的效果。

CASFI-Net的结构设计充分考虑了皮肤病变分割任务的特点。首先，其编码器部分采用了多个MobileViT模块和卷积块，以提取多尺度的特征信息。MobileViT模块结合了卷积神经网络和视觉Transformer的优势，能够在保持模型轻量化的同时，增强其对全局上下文信息的建模能力。这种设计使得编码器能够高效地提取皮肤病变的关键特征，为后续的解码过程提供丰富的特征支持。其次，解码器部分通过引入MGFI模块，实现了跨分辨率的特征交互。MGFI模块通过注意力机制，引导不同分辨率特征之间的信息流动，从而提升模型对皮肤病变区域的识别能力。最后，CASF模块通过评估特征图的曲率变化，优化特征通道的选择，减少冗余信息对模型性能的干扰。

在实验过程中，本文采用了多种评估指标，包括Dice系数、交并比（IoU）和平均精度（mAP），以全面衡量模型的分割性能。实验结果表明，CASFI-Net在这些指标上均优于现有的先进方法，显示出其在分割精度和效率方面的显著优势。此外，本文还对模型的计算成本进行了分析，发现CASFI-Net在保持高性能的同时，具有较低的计算复杂度，这使其在实际应用中更具可行性。特别是在医疗资源有限的地区，这种低计算成本的模型可以更广泛地应用于皮肤病变的自动检测和诊断。

CASFI-Net的成功不仅在于其创新的网络结构，还在于其对皮肤病变特征的深入理解。皮肤病变的形状和边缘特征对于分割结果至关重要，而传统的特征融合方法往往无法有效捕捉这些细节。通过引入MGFI和CASF模块，CASFI-Net能够在不同分辨率和不同尺度的特征之间建立更紧密的联系，从而提升模型对病变区域的感知能力。此外，CASF模块的曲率评估机制使得模型能够更精准地识别病变的关键边缘，这在处理具有复杂背景和模糊边界的图像时尤为重要。

综上所述，本文提出的CASFI-Net在皮肤病变分割任务中表现出色，其创新的MGFI和CASF模块有效解决了传统方法中存在的特征交互不足和冗余信息干扰的问题。实验结果进一步验证了该模型在分割精度和计算效率方面的优势，为皮肤癌的早期诊断和治疗提供了新的技术支持。未来，CASFI-Net还可以与其他医学图像分析技术相结合，例如分类和分割的联合优化，以进一步提升皮肤病变检测的整体性能。此外，该模型还可以在更多类型的皮肤病变图像上进行测试，以验证其在不同场景下的适用性。总之，CASFI-Net的提出为皮肤病变分割领域带来了新的思路和方法，具有重要的理论和应用价值。