基于多级分裂HSC·Net的皮肤病图像分割方法

针对皮肤病图像边界模糊且分布不规则、传统卷积分割方法无法满足对边缘细节提取的问题，提出了多级分裂卷积HSC-Net的皮肤病图像分割方法。网络编码端使用ImageNet上的VGG16-BN预训练模型，预训练参数会在训练过程中进行自动微调。将预训练模型中传统的最大池化层用软池化(Soft-pool)层进行替换，以减少传统池化的精度损失。解码端的HSC通过对特征图信息的分级提取，能高效利用特征信息。在解码端融入极化自注意力(Polarized Self-Attention, PSA)机制，使得空间和通道维度上获取更丰富的梯度信息。在ISIC2018数据集上的实验结果显示，精确度、Jaccard指数和Dice指数分别为96.21%、81.88%、81.65%,在准确性、轻量化和边界分割效果上优于现有的分割方法。