摘要

皮肤病变分割在黑色素瘤的计算机辅助诊断中发挥着关键作用。深度学习模型在准确分割皮肤病变方面展现出巨大潜力，但其在实际临床环境中的广泛应用受到其固有的黑箱性质的阻碍。在像医疗这样至关重要的领域，可解释性不仅是模型的一个特性，而是其被采用的基本要求。本文提出了一种基于SegNet基线模型的高级分割框架——IARS SegNet。我们的方法结合了三个关键组件：跳跃连接、残差卷积和全局注意力机制。这些组件在突出临床相关区域的重要性方面起着决定性的作用，尤其是皮肤病变的轮廓。跳跃连接的引入增强了模型学习复杂轮廓细节的能力，而残差卷积的使用则使得构建更深的模型成为可能，同时保留了图像的关键特征。全局注意力机制进一步通过从每个卷积块和反卷积块中提取精炼的特征图来提升模型的可解释性。这一改进突显了关键区域，促进了更好的理解，并提高了用于黑色素瘤诊断的皮肤病变分割准确性。