Automatisierte Segmentierung von Hautläsionen unter Verwendung eines Multi-Skalen-Feature-Extraktionsansatzes und eines Dual-Attention-Mechanismus

Die Segmentierung von Hautläsionen aus Dermoskopiebildern ist entscheidend für die Diagnose von Hautkrebs. Die automatische Segmentierung dieser Läsionen ist jedoch aufgrund der geringen Kontrastunterschiede zwischen Hintergrund und Läsion, Bildartefakten sowie unscharfen Läsionsgrenzen kompliziert. In dieser Arbeit präsentieren wir ein tiefes Lernmodell zur Segmentierung von Hautläsionen aus Dermoskopiebildern. Um den Herausforderungen hinsichtlich der charakteristischen Merkmale von Hautläsionen zu begegnen, haben wir ein mehrskaliges Merkmalsextraktionsmodul entworfen, das diskriminative Merkmale extrahiert. Darüber hinaus wurden in dieser Arbeit zwei Aufmerksamkeitsmechanismen entwickelt, um die nach der Upsampling-Operation gewonnenen Merkmale sowie die vom Encoder extrahierten Merkmale zu verfeinern. Das vorgeschlagene Modell wurde anhand der Datensätze ISIC2018 und ISBI2017 evaluiert. Das neue Modell übertraf sämtliche bisherigen Ansätze sowie die besten Modelle in zwei Wettbewerben.