基于注意力残差U-Net的皮肤镜图像分割方法

摘要: 针对皮肤镜图像类内差异性、类间相似性、数据集不平衡等问题，本文提出了一种基于注意力残差U-Net（attention residual block-UNet，ARB-UNet）的皮肤镜图像分割方法。将卷积块注意力机制模块(convolutional block attention module,CBAM)引入到U-Net模型的“跳过连接”中；同时将CBAM模块集成到残差模块DRB（dilated residual networks）中得到注意力残差结构（attention residual block, ARB）；且选取Focal Tversky Loss作为该模型的损失函数；在ISIC2016数据集上对所提ARB-UNet模型进行训练和测试，并与传统方法和U-Net等经典方法进行了对比实验，实验结果中灵敏度（sensitivity，SE）达到了92.9%，特异性（specificity，SP）达到了94.1%，Dice相似指数（dice similarity cofficient，DSC）达到了92.1%，整体上均优于其他对比方法，从而验证了本文方法是有效的和可行的。

• 关键词: 
• 图像分割  /  
• 皮肤镜  /  
• 卷积神经网络  /  
• 注意力残差 U-Net  /  
• 注意力机制  /  
• 卷积块注意力机制模块  /  
• 深度学习  /  
• 残差网络  

黑色素瘤是一类死亡率较高，极其危险的皮肤癌[1-2]。美国每年就涉及100