基于密集多尺度特征和雙注意力模塊的皮膚病變分割

費(fèi) 承， 羅健旭

（華東理工大學(xué)信息科學(xué)與工程學(xué)院, 上海200237）

在皮膚黑色素瘤的臨床診斷中，目前普遍采用的皮膚鏡成像技術(shù)首先獲取放大或縮小后的皮膚病變區(qū)域透鏡圖像，接著需要對病變區(qū)域進(jìn)行精準(zhǔn)分割以提高后續(xù)過程中醫(yī)生診斷治療的準(zhǔn)確性和可靠性。但是人工分割費(fèi)時(shí)費(fèi)力，可重復(fù)性差，即使是經(jīng)驗(yàn)豐富的醫(yī)生也可能受各種因素影響出現(xiàn)漏分、錯(cuò)分現(xiàn)象，因此引入計(jì)算機(jī)輔助診斷 (Computer Aided Diagnostic, CAD) 系統(tǒng)實(shí)現(xiàn)皮膚病變區(qū)域的自動分割以幫助醫(yī)生進(jìn)行臨床評估、診斷具有重要意義。

早期皮膚病變分割算法大多基于閾值分割法、區(qū)域生長法和邊緣分割法。例如，Grana 等[2]定義了病變斜率和病變斜率規(guī)律，然后基于Catmull-Rom 樣條法計(jì)算病變邊界；Garnavi 等[3]基于顏色空間分析確定最佳顏色通道，然后基于聚類的直方圖閾值法進(jìn)行邊界檢測。這些方法雖然取得了一定的分割效果，但是通常需要人為干預(yù)且分割效果仍有較大的提升空間。

隨著深度學(xué)習(xí)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)憑借其出色的特征表征能力已經(jīng)成為目前分割任務(wù)的主流算法。全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)[4]創(chuàng)新性地提出了編碼解碼架構(gòu)，實(shí)現(xiàn)了像素級別分類，奠定了后續(xù)分割網(wǎng)絡(luò)的基本架構(gòu)。在該架構(gòu)的基礎(chǔ)上，UNet 使用對稱設(shè)計(jì)和跳躍連接結(jié)構(gòu)在醫(yī)學(xué)圖像分割任務(wù)上取得了較好的表現(xiàn)，并成為了后續(xù)醫(yī)學(xué)分割領(lǐng)域的基本網(wǎng)絡(luò)結(jié)構(gòu)[5]。在這之后，皮膚病變分割算法大多是FCN 或UNet 的變體。例如，文獻(xiàn)[6-7]在FCN 網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了改進(jìn)，使得網(wǎng)絡(luò)的分割效果均有了一定的提升；文獻(xiàn)[8]采用DoubleUnet 將兩個(gè)UNet網(wǎng)絡(luò)組合起來，其中第2 個(gè)UNet 用于進(jìn)一步細(xì)化第1 個(gè)UNet 產(chǎn)生的掩碼結(jié)果，同時(shí)DoubleUnet還引入了ASPP 模塊以獲得多尺度特征來緩解皮膚病變區(qū)域大小尺寸各異的問題，此外其還使用了SE 模塊來減少冗余信息、傳遞最為相關(guān)的特征；文獻(xiàn)[9]一方面使用Fire Block 來減少學(xué)習(xí)參數(shù)，另一方面引入注意力機(jī)制來強(qiáng)化與皮膚病變區(qū)域相關(guān)的特征并抑制無關(guān)特征。雖然這些網(wǎng)絡(luò)在皮膚病變分割任務(wù)上取得了較好的表現(xiàn)，但是仍存在一定的局限性：（1）ASPP 模塊倘若要獲取更多的多尺度信息就意味著需要更多的學(xué)習(xí)參數(shù)，并且該模塊如果為追求較大的感受野而采用較大的膨脹率會導(dǎo)致信息丟失，影響最終分割效果；（2）網(wǎng)絡(luò)中使用的注意力機(jī)制是從局部特征中獲取信息，而忽略了全局上下文信息；（3）網(wǎng)絡(luò)使用的注意力機(jī)制較為單一；（4）沒有將多尺度信息和注意力機(jī)制結(jié)合起來共同解決皮膚病變分割難題。

針對以上問題，本文提出了一種基于U 型網(wǎng)絡(luò)結(jié)構(gòu)的DDAnet。首先，DDAnet 使用了密集連接的DenseASPP 模塊[10]，該模塊以較少的學(xué)習(xí)參數(shù)獲取到了更多的尺度信息并生成了更大的感受野；其次，DDAnet 利用雙注意力模塊來編碼全局上下文信息，指導(dǎo)網(wǎng)絡(luò)分別在通道和位置上對相關(guān)特征和無關(guān)特征分別進(jìn)行強(qiáng)調(diào)和抑制。同時(shí)，不同于大多數(shù)方法采用的串聯(lián)方式，DDAnet 將DenseASPP 模塊和雙注意力模塊并行連接，這樣一方面能夠確保雙注意模塊不會影響、破壞多尺度特征，另一方面使得解碼器的輸入既包含了多尺度特征，又包含在通道和位置上得到重新配準(zhǔn)的特征。除此之外，由于使用了跳躍連接結(jié)構(gòu)，解碼器的輸入特征會包含局部細(xì)節(jié)信息和高級語義信息兩部分，DDAnet 在每個(gè)解碼模塊中使用通道注意力模塊(Channel Attention Module,CAM)進(jìn)行通道特征選擇，促進(jìn)網(wǎng)絡(luò)更加關(guān)注有利于分割的特征。最后，本文在傳統(tǒng)二值交叉熵?fù)p失函數(shù)的基礎(chǔ)上引入Dice 損失函數(shù)來克服皮膚病變分割任務(wù)中正負(fù)樣本不平衡的問題，最終網(wǎng)絡(luò)的分割性能得到提升。

1 方 法

1.1 網(wǎng)絡(luò)概述

DDAnet 整體采用的是編碼解碼結(jié)構(gòu)，其網(wǎng)絡(luò)框架如圖1 所示。對于給定的皮膚透鏡圖像，首先將其通過編碼器進(jìn)行特征提取，在該框架中，編碼器采用的是預(yù)訓(xùn)練的ResNet34[11]。在編碼器的下采樣過程中，圖像的分辨率不斷減小，特征通道不斷增多，并依次得到包含局部細(xì)節(jié)信息的低級特征圖和包含豐富語義信息的高級特征圖。接著，高級特征圖一方面通過DenseASPP 模塊進(jìn)一步得到多尺度信息；另一方面通過由CAM 和位置注意力模塊(Position Attention Module, PAM)構(gòu)成的雙注意力模塊，分別在通道和位置上進(jìn)行特征的重新配準(zhǔn)[12]，配準(zhǔn)后的2 個(gè)特征圖通過相加進(jìn)行融合。在得到DenseASPP模塊和雙注意力模塊的輸出后，將兩者按通道進(jìn)行拼接輸入解碼器以恢復(fù)到原始圖像的分辨率。解碼器由3 個(gè)解碼模塊和1 個(gè)上采樣模塊構(gòu)成，每個(gè)解碼模塊將前一層的高級特征圖通過反卷積操作放大兩倍后，再將其與來自編碼器的低級特征圖相拼接，由于這兩部分所提供的信息不同，因此使用CAM 對它們重新分配權(quán)重以強(qiáng)調(diào)那些相關(guān)程度較高的通道特征。最后上采樣模塊直接將特征圖放大到原始尺寸，再經(jīng)過一個(gè)1×1 卷積層得到最終分割結(jié)果。

圖1 DDAnet 網(wǎng)絡(luò)架構(gòu)Fig.1 Network architecture of DDAnet

1.2 DenseASPP 模塊

DenseASPP 模塊通過密集連接的方式將膨脹率不同的空洞卷積連接起來，其中空洞卷積是基于標(biāo)準(zhǔn)卷積的卷積核，向其相鄰參數(shù)間填充一定數(shù)量的0，從而實(shí)現(xiàn)了在不引入額外參數(shù)的情況下擴(kuò)大了卷積的感受野。下面以一維情況為例說明空洞卷積的算法原理，對于給定的輸入特征圖x，空洞卷積的輸出特征圖y在i位置上的值可通過下式計(jì)算得到：

其中：d表示膨脹率，w[k] 表示卷積核的第k個(gè)參數(shù)，K表示卷積核尺寸。關(guān)于密集連接，這種連接方式意味著DenseASPP模塊中某一個(gè)空洞卷積層的輸入是其之前所有空洞卷積層輸出的拼接，并且模塊最終輸出整合了所有空洞卷積層的輸出特征圖，如圖2 所示。這種特征重用策略既避免了特征的重復(fù)學(xué)習(xí)，又提取到了新的特征，進(jìn)而提高了模塊整體的特征表征能力。基于式(1)，定義HK,d(x) 表示卷積核尺寸為K，膨脹率為d的空洞卷積，則第l層空洞卷積的結(jié)果可以表示為：

圖2 DenseASPP 模塊Fig.2 DenseASPP module

其中：dl和yl分別表示第l層的膨脹率和輸出，[···]表示拼接操作。

郭村有八百年歷史，是舊時(shí)寧國、徽州、池州三府交界之地，興旺的時(shí)候，村里有十座祠堂，店鋪毗連，商賈云集。

另外，密集連接方式允許特征圖通過不同膨脹率的空洞卷積層，而不同的通過方式則意味著不同的尺度，因此僅采用一定數(shù)量的空洞卷積層即可產(chǎn)生非常豐富的多尺度信息。例如，由膨脹率為3、6、12、18 的空洞卷積層組成的DenseASPP 模塊能夠產(chǎn)生15 種尺度，遠(yuǎn)遠(yuǎn)超過相同情況下ASPP 模塊所產(chǎn)生的尺度。

1.3 CAM

在特征圖中，某一通道對應(yīng)著某一特定的特征，而不同特征之間又存在著一定的聯(lián)系，CAM 正是基于這種聯(lián)系來顯式地建立通道之間的相互依賴關(guān)系，進(jìn)而強(qiáng)調(diào)那些關(guān)聯(lián)性強(qiáng)的特征，并突出重要特征。CAM 的結(jié)構(gòu)如圖3 所示。對于輸入特征圖A∈RC×H×W，首先將其維度轉(zhuǎn)換為RC×N，其中N=H×W，接著將A與其自身的轉(zhuǎn)置做矩陣乘法，再將得到的結(jié)果經(jīng)過 softmax 激活函數(shù)即可獲得通道注意力權(quán)重圖X∈RC×C：

圖3 通道注意力模塊Fig.3 Channel attention module

其中：xji表示第i個(gè)通道對第j個(gè)通道的影響程度。通道注意力權(quán)重圖在與A做矩陣乘法后再將得到的結(jié)果轉(zhuǎn)換到RC×H×W維度，最后該結(jié)果乘以一個(gè)初始值為0 的可學(xué)習(xí)參數(shù) γ ，再與維度為RC×H×W原始輸入特征圖A按像素相加，則產(chǎn)生最終輸出E∈RC×H×W：該輸出特征圖E的每個(gè)通道是輸入特征圖A的所有通道的加權(quán)和，表明通道間的依賴關(guān)系得到建立，從而相關(guān)特征得到強(qiáng)化，并且各特征表示之間的區(qū)分度也得到了提升。

1.4 PAM

全局上下文信息在分割任務(wù)中極為重要，而該信息通常需要通過聚合空間特征來細(xì)化得到，傳統(tǒng)CNN 為實(shí)現(xiàn)此目標(biāo)需要堆疊大量的卷積層，進(jìn)而導(dǎo)致訓(xùn)練十分困難，因此本文采用PAM 基于局部特征建立高效的上下文聯(lián)系，該模塊將全局信息編碼到局部特征中，從而增強(qiáng)了這些特征的表征能力。PAM 的結(jié)構(gòu)如圖4 所示。對于只包含局部信息的輸入特征圖A∈RC×H×W，首先將其通過3 個(gè)不同的1×1卷積層分別得到特征圖B∈RC8×H×W、C∈RC8×H×W、D∈RC×H×W，其中用于生成特征圖B和C的分支進(jìn)行了特征降維，而生成特征圖D的分支保持通道數(shù)不變，這是因?yàn)樘卣鲌DB和C用于計(jì)算得到注意力權(quán)重圖，而PAM 是位置維度上的注意力機(jī)制，通道壓縮后不但對位置注意力權(quán)重圖的計(jì)算影響不大，而且還能減少計(jì)算量。特征圖D的通道維度直接決定PAM 輸出的通道維度，為了保證其輸入輸出維度不變，生成特征圖D的分支不能進(jìn)行特征降維。在得到了這3 個(gè)特征圖后，將它們的維度分別轉(zhuǎn)換為和RC×N，其中N=H×W。接著將C的轉(zhuǎn)置與B做矩陣乘法得到的結(jié)果輸入 softmax 激活函數(shù)計(jì)算得到位置注意力權(quán)重圖S∈RN×N：

圖4 位置注意力模塊Fig.4 Position attention module

其中：sji表示位置i對位置j的影響程度。再將特征圖D與位置注意力權(quán)重圖S的轉(zhuǎn)置做矩陣乘法，并將得到的結(jié)果的維度還原到RC×H×W，最后該結(jié)果乘以一個(gè)初始值為0 的可學(xué)習(xí)參數(shù) η 后與輸入特征圖A按像素相加得到輸出特征圖E′∈RC×H×W：

該輸出特征圖E′在每個(gè)位置上的特征都是由輸入特征圖A上所有位置特征加權(quán)求和得到的，因此其能捕獲所有位置的交互信息，并有選擇性地聚合全局上下文信息。

1.5 損失函數(shù)

交叉熵?fù)p失函數(shù)適用于大多數(shù)語義分割場景，但是在皮膚病變分割任務(wù)中，由于病變區(qū)域通常只占整張皮膚透鏡圖像的一小部分，前景(病變區(qū)域)像素遠(yuǎn)小于背景(非病變區(qū)域)像素，因此直接使用交叉熵?fù)p失函數(shù)訓(xùn)練網(wǎng)絡(luò)會使得網(wǎng)絡(luò)模型嚴(yán)重偏向于背景，進(jìn)而影響分割效果。所以本文在二值交叉熵?fù)p失函數(shù)的基礎(chǔ)上，結(jié)合Dice 損失函數(shù)作為總的目標(biāo)損失以解決此問題：

其中：N代表圖像中的像素總數(shù)，yi∈{0,1} 表示像素i的真實(shí)標(biāo)簽，pi∈[0,1] 表示像素i的預(yù)測結(jié)果。

2 實(shí)驗(yàn)部分

2.1 實(shí)驗(yàn)數(shù)據(jù)集及數(shù)據(jù)預(yù)處理

為了評估DDAnet 的分割性能，本文在ⅠSⅠC2018數(shù)據(jù)集[13-14]上實(shí)施了一系列實(shí)驗(yàn)。該數(shù)據(jù)集包含2 594張皮膚透鏡圖像以及對應(yīng)的真實(shí)標(biāo)簽，隨機(jī)篩選2 000張圖像用于網(wǎng)絡(luò)訓(xùn)練，剩下的594 張圖像用于測試。另外，由于該數(shù)據(jù)集中的圖像尺寸不一，因此將它們統(tǒng)一縮放到 384×512 分辨率輸入網(wǎng)絡(luò)。同時(shí)為了避免因訓(xùn)練數(shù)據(jù)量較小而導(dǎo)致的過擬合問題，本文還采用了數(shù)據(jù)增強(qiáng)策略，包括水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)以及隨機(jī)調(diào)整亮度和對比度。

2.2 評價(jià)標(biāo)準(zhǔn)

對于網(wǎng)絡(luò)分割性能的評估，本文采用了5 種評價(jià)指標(biāo)，分別是Jaccard 相似系數(shù)(JⅠ)、Dice 系數(shù)(DC)、準(zhǔn)確率(Acc)、敏感度(Sen)和特異性(Spec)，它們的計(jì)算公式如式(10)～(14)所示，其中JⅠ和DC是度量分割結(jié)果的主要指標(biāo)。

其中：TP 和TN 分別表示被正確預(yù)測的病變和非病變區(qū)域的像素個(gè)數(shù)，而FP 和FN 分別表示被錯(cuò)誤預(yù)測的病變和非病變區(qū)域的像素個(gè)數(shù)。

2.3 實(shí)驗(yàn)環(huán)境及相關(guān)參數(shù)

本文中所有實(shí)驗(yàn)均基于Ubuntu 18.04.5 系統(tǒng)下PyTorch 深度學(xué)習(xí)框架，計(jì)算機(jī)硬件配置為Ⅰntel Core i9-10980XE CPU，NVⅠDⅠA GeForce RTX 3090 24GB GPU。網(wǎng)絡(luò)訓(xùn)練過程中使用的是Adam 優(yōu)化器，其初始學(xué)習(xí)率設(shè)置為0.000 1，并且該學(xué)習(xí)率會在訓(xùn)練過程中動態(tài)衰減。訓(xùn)練批次設(shè)置為8，訓(xùn)練總代數(shù)設(shè)置為120。在上述參數(shù)設(shè)定下，訓(xùn)練完成后，網(wǎng)絡(luò)均能得到收斂。

2.4 實(shí)驗(yàn)結(jié)果

2.4.1 損失函數(shù)對網(wǎng)絡(luò)的影響 為了驗(yàn)證本文采用的目標(biāo)損失函數(shù)對網(wǎng)絡(luò)的分割性能有所提升，分別用二值交叉熵?fù)p失、Dice 損失以及二者結(jié)合作為目標(biāo)損失函數(shù)來訓(xùn)練DDAnet，實(shí)驗(yàn)結(jié)果如表1 所示。從表中可以看出，單獨(dú)使用二值交叉熵?fù)p失來訓(xùn)練網(wǎng)絡(luò)取得的分割效果最差，這是因?yàn)樵摀p失無法解決皮膚病變分割所面臨的正負(fù)樣本不平衡問題；而單獨(dú)使用Dice 損失時(shí)分割精度有所提升，這主要?dú)w結(jié)于Dice 損失是區(qū)域相關(guān)的損失，其計(jì)算損失時(shí)不局限于當(dāng)前像素，而是綜合考慮了整個(gè)前景區(qū)域，因此正負(fù)樣本不平衡問題才在一定程度上得到了緩解。但倘若網(wǎng)絡(luò)將整個(gè)前景區(qū)域分割錯(cuò)誤，Dice 損失就無法學(xué)習(xí)到正確的梯度下降方向，進(jìn)而導(dǎo)致在訓(xùn)練過程中損失振蕩嚴(yán)重，且極端情況下會出現(xiàn)梯度飽和現(xiàn)象?，F(xiàn)將二者結(jié)合起來，一方面Dice 損失從全局上進(jìn)行考察，側(cè)重前景區(qū)域的挖掘；另一方面二值交叉熵?fù)p失逐像素進(jìn)行引導(dǎo)，并在Dice 損失缺乏指導(dǎo)時(shí)提供指引，從而網(wǎng)絡(luò)在此損失下產(chǎn)生了最好的分割效果。

表1 不同損失函數(shù)下DDAnet 的分割結(jié)果Table 1 Segmentation results of DDAnet with different loss functions

2.4.2 各模塊對網(wǎng)絡(luò)的影響 為了評估各模塊對網(wǎng)絡(luò)分割性能的影響，本文設(shè)計(jì)了4 組對比實(shí)驗(yàn)：(a) 完整的DDAnet；(b) DDAnet 去除DenseASPP 模塊；(c)DDAnet 去除CAM；(d) DDAnet 去除PAM。實(shí)驗(yàn)結(jié)果如表2 所示。從結(jié)果可以看出，DDAnet 去除任一模塊后，分割結(jié)果在各評價(jià)指標(biāo)上都有所下降。其中，去除掉PAM 后下降最為明顯，JⅠ和DC 分別下降了1.65%和1.28%；去除CAM 后，JⅠ和DC 分別下降了1.39%和1.06%；去除DenseASPP 模塊后，JⅠ和DC 分別下降了1.32%和0.96 %，這表明DenseASPP模塊、CAM 和PAM 都在一定程度上提升了網(wǎng)絡(luò)整體的分割性能。

表2 不同模塊對網(wǎng)絡(luò)分割性能的影響Table 2 Ⅰmpact of different modules on network segmentation performance

2.4.3 同類研究對比 為了證明DDAnet 分割皮膚病變區(qū)域的可靠性和優(yōu)越性，本文將其與同類的研究方法進(jìn)行了對比，實(shí)驗(yàn)結(jié)果如表3 所示。從表3 中可知，DDAnet 在Acc、JⅠ和DC 指標(biāo)上均優(yōu)于其他分割網(wǎng)絡(luò)，其得分分別為96.75%、85.00%和91.36%。與醫(yī)學(xué)分割任務(wù)中常用的UNet 網(wǎng)絡(luò)相比，DDAnet 在這三項(xiàng)指標(biāo)上比UNet 分別高出了2.13%、7.96%和6.94%；與分割精準(zhǔn)度較高的ADAM 相比，DDAnet在這三項(xiàng)指標(biāo)上比ADAM 分別高出了2.05%、0.60%和0.26%。雖然在Sen 和Spec 指標(biāo)上，DDAnet 并未取得最佳結(jié)果，但是總體來看，尤其是以分割準(zhǔn)確程度來衡量，DDAnet 相比于其他分割網(wǎng)絡(luò)更加優(yōu)越、可靠。

表3 DDAnet 與同類研究方法的分割結(jié)果對比Table 3 Comparison between the segmentation results of DDAnet and those of other similar research methods

同時(shí)，為了更加直觀地展示DDAnet 的分割效果，本文基于上述方法中源碼公開的分割網(wǎng)絡(luò)進(jìn)行了可視化對比分析，結(jié)果如圖5 所示。圖5 中每一列包含一張皮膚透鏡圖像和各網(wǎng)絡(luò)的分割結(jié)果，分割結(jié)果由網(wǎng)絡(luò)預(yù)測圖和真實(shí)標(biāo)簽對比得到，圖中的橙色、紅色、綠色和黑色分別對應(yīng)TP、FN、FP 和TN。理想的分割結(jié)果是皮膚病變區(qū)域?yàn)槌壬?，而非病變區(qū)域?yàn)楹谏?。對于病?，由于病變區(qū)域和非病變區(qū)域之間像素差異較小，邊界十分模糊，因此大部分網(wǎng)絡(luò)都無法識別出病變區(qū)域的具體位置，其中UNet 和AttentionUnet 甚至都認(rèn)為圖像中不存在皮膚病變，而DDAnet 仍能較為準(zhǔn)確地劃分出兩者的邊界；對于病例2，非病變區(qū)域中有部分皮膚顏色不同于正常皮膚，且與病變區(qū)域皮膚顏色接近，除了ResUnet++和DDAnet 外，其余網(wǎng)絡(luò)均被干擾，而DDAnet 在JⅠ和DC 指標(biāo)上更優(yōu)于ResUnet++；對于病例3、4，病變區(qū)域周圍的氣泡給分割帶來了很大的干擾，雖然以MobileNet 為backbone 的DeepLabv3+和CENet 表現(xiàn)優(yōu)于其他算法，但是和DDAnet 相比仍存在一定差距；對于病例5，病變區(qū)域內(nèi)部像素存在一定差異，并且與非病變區(qū)域?qū)Ρ榷鹊停@就導(dǎo)致大部分網(wǎng)絡(luò)只能識別出明顯的病變區(qū)域，而漏掉不明顯的部分，但是DDAnet 卻能夠相對全面地捕獲到所有病變區(qū)域。從以上對比分析可知，盡管皮膚病變分割任務(wù)中存在諸多挑戰(zhàn)，但是DDAnet 仍能提供出色的分割結(jié)果，直觀地表明了DDAnet 相比于其他分割網(wǎng)絡(luò)的優(yōu)越性。

圖5 可視化對比分析Fig.5 Visual comparative analysis

3 總 結(jié)

本文提出了一種基于密集多尺度特征和雙注意力模塊皮膚病變分割網(wǎng)絡(luò)DDAnet，該網(wǎng)絡(luò)基于U 型網(wǎng)絡(luò)結(jié)構(gòu)，以預(yù)訓(xùn)練的ResNet34 作為編碼器對輸入圖像進(jìn)行特征提取，所提取到的高級特征輸入到并行連接的DenseASPP 模塊和雙注意力模塊，其中DenseASPP 模塊通過產(chǎn)生豐富的多尺度信息，解決了皮膚病變區(qū)域大小尺寸各異的問題；而由CAM 和PAM 組成的雙注意力模塊通過編碼全局上下文信息，對特征進(jìn)行重新配準(zhǔn)，分別在通道和位置上

強(qiáng)調(diào)相關(guān)特征、抑制無關(guān)特征，從而進(jìn)一步提升了分割精度。在ⅠSⅠC2018 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明DDAnet 具有十分出色的分割表現(xiàn)，優(yōu)于其他的分割網(wǎng)絡(luò)，并且即使面臨病變區(qū)域內(nèi)部像素差異大、邊界模糊、周圍存在氣泡等難題時(shí)，DDAnet 依然能夠產(chǎn)生準(zhǔn)確、可靠的分割結(jié)果，說明其在臨床診斷中具備輔助醫(yī)生進(jìn)行皮膚病變分割的潛力。