DenseNet201SA++：通过软注意力引导的特征学习提升皮肤镜图像中黑色素瘤的识别能力

黑素瘤检测中，基于DenseNet201SA++模型融合图像增强与软注意力机制，有效提升皮肤镜图像特征提取能力，实验显示较传统模型精度、召回率、F1值和准确率分别提升7.2%、14.7%、12.7%和14.7%，最终达到98.3%精确率和0.993 AUC，验证模型在特征冗余优化和泛化能力上的优势。

摘要

作为人体免疫系统的首道防线，皮肤极易受到环境毒素的影响。黑色素瘤是最致命的皮肤癌类型，其特点是高死亡率和强烈的转移倾向。它有时可能起源于已存在的痣，尤其是发育不良的痣。早期识别对于提高患者生存率至关重要。然而，传统的皮肤病变检测方法面临诸多挑战，包括图像质量限制、数据集不完善以及病变特征复杂性。本研究提出了DenseNet201SA++模型，该模型采用图像增强技术和软注意力机制来优化皮肤镜图像质量，并自动捕捉关键特征。在包含10,015张皮肤镜图像的HAM10000数据集上进行实验，重点关注二分类（黑色素瘤与痣）问题，结果表明DenseNet201SA++模型在精确度、召回率、F1分数和准确率方面实现了显著提升，分别比基线模型提高了至少7.2%、14.7%、12.7%和14.7%。DenseNet201SA++中提出的软注意力引导的特征融合机制解决了传统注意力机制中的特征冗余问题，从而在区分黑色素瘤和痣方面表现出更优的性能；同时，DenseNet201的底层网络也展现了明显的优势。消融实验进一步证实了数据增强的重要作用。集成后的DenseNet201SA++模型在精确度、召回率、F1分数和准确率方面均达到了0.983，AUC值为0.993。这些指标证明了该模型在区分能力和泛化能力之间的出色平衡，验证了我们所提出架构的有效性。

利益冲突

作者声明不存在利益冲突。