Swin-T与ConvNeXt多级融合的皮肤病变分类

摘要

皮肤癌是一个重要的公共卫生问题,计算机辅助诊断技术可以有效地减轻这一负担。在采用计算机辅助诊断时,准确识别皮肤病变类型至关重要。为此,本文提出一种基于Swin-T与ConvNeXt的多级注意力逐级融合模型,采用分层Swin-T与ConvNeXt分别提取全局与局部特征,并提出残差通道注意力与空间注意力模块进一步提取有效特征;利用多级注意力机制对多尺度全局与局部特征进行处理;针对浅层特征因离分类器较远而丢失的问题,采用逐级聚合的思想,提出逐级倒置残差融合模块动态调整提取的特征信息。本文通过均衡采样策略以及焦点损失,解决皮肤病变类别不平衡的问题。在ISIC2018、ISIC2019数据集上进行测试,其准确率、精确率、召回率和F1-Score分别是96.01%、93.67%、92.65%、93.11%与92.79%、91.52%、88.90%、90.15%。与Swin-T相比,准确率分别提升了3.60%和1.66%;与ConvNeXt相比,准确率分别提升了2.87%和3.45%。实验表明,本文提出的方法能够准确分类皮肤病变图像,为皮肤癌的诊断提供了新的解决方案。