摘要
分割技术在医学图像分析中至关重要，可用于识别与定位疾病、监测形态学变化，并提取具有判别性的特征以支持后续诊断。皮肤癌是全球最常见的癌症类型之一，其早期诊断对于彻底清除体内恶性肿瘤具有关键意义。本研究提出了一种基于深度学习的监督式皮肤病变分割人工智能（AI）框架。所提出的框架名为MFSNet（多焦点分割网络），该模型利用不同尺度的特征图，基于皮肤病变的原始RGB输入图像计算最终的分割掩膜。在处理过程中，首先对图像进行预处理，以去除无关伪影和噪声。MFSNet采用近期提出的Res2Net作为主干网络（backbone），提取深层特征，并将其输入至并行部分解码器（Parallel Partial Decoder, PPD）模块，以生成分割掩膜的全局分布。在网络的不同阶段，卷积特征与多尺度特征图被分别引入两个边界注意力（Boundary Attention, BA）模块和两个反向注意力（Reverse Attention, RA）模块，以逐步优化并生成最终的分割结果。在三个公开可用的数据集——$PH^2$、ISIC 2017 和 HAM10000 上的实验评估表明，MFSNet在性能上优于当前最先进的方法，充分验证了该框架的可靠性与有效性。相关代码已开源，可通过以下链接获取：https://github.com/Rohit-Kundu/MFSNet