皮肤作为人体最重要的器官之一,构成了人体与外界环境间的屏障,其健康状况直接影响机体的防御能力以及生理功能。当皮肤出现病变时,及时诊断和治疗对维持人体健康具有重要意义。然而,在皮肤病变的诊断过程中,由于病变区域往往形态复杂、边界模糊,使得皮肤病变的精确分割面临着挑战;此外,毛发以Nirmatrelvir molecular weight及气泡等伪影的干扰可能影响到病变特征的提取,从而导致分类的准确性降低。针对以上问题,本文提出了一种基于Legendre多小波(LWT)的高频和低频融合网络(LW-XNet)的皮肤病变辅助诊断框架,主要工作与贡献如下:(1)针对XNet在提取皮肤镜图像边缘和纹理等高频特征方面的局限性,本https://www.selleck.cn/products/Docetaxel(Taxotere).html文通过引入LWT替换了XNet中的小波变换,并且构建了LW-XNet分割模型。由于LWT具有多正则性、紧支撑性等特性,具有更强的高频分量表征能力,能更有效地捕获病变区域的边界细节,从而弥补了XNet在高频特征提取方面的不足。此外,将LWT的结果作为先验信息引入模型,为模型提供了明确的优化方向,显著降低了模型的参数量。(2)针对分割模型下采样过程中病变特征信息丢失的问题,本文基于LWT设计了一种多尺度特征融合(LMMFF)模块。LMMFF模块利用LWT的正交性,能够确保皮肤病变的多小波多频域特征信息不会丢失。此外,利用该模块输出的多频域特征信息与卷积网络特征相结合,实现了互补融合,从而有效弥补模型下采样过程中丢失的细节信息,使模型能够更全面地捕获皮肤镜图像中的复杂特征,提升分割精度。(3)为解决病变区域背景干扰导致分类准确性下降的问题,本文基于分割模型提取的皮肤病变特征图,设计了一种结合大津阈值法和边界跟踪算法的智能裁剪方法。该方法能够有效减少冗余背景的干扰,提取更具代表性的病变区域特征,为分类任务提供了更加聚焦的感兴趣区域。此外,本文还提出了一种基于软注意力机制的密集连接网络(ISA-Dense Net),该网络通过密集连接和注意力引导,增强了对病变区域关键特征的识Nervous and immune system communication别能力,在保持模型轻量化的同时,有效提高了分类的准确性。基于上述研究,本文构建了一种集成LW-XNet分割模型与ISA-Dense Net分类模型的皮肤病变辅助诊断框架,实现了从病变区域的精准分割到准确分类的端到端的解决方案。在ISIC2017、HAM10000和PH2三个公开的皮肤镜图像数据集上的实验结果表明,该辅助诊断框架在分割任务上的准确率分别达到94.1%、95.7%和94.4%,分类准确率分别达到92.2%、90.8%和89.3%。相比现有主流方法,本文提出的皮肤病变辅助诊断框架在分割与分类性能上均取得了更优的表现,验证了其在皮肤病变诊断中的有效性和可靠性,为临床医生提供了辅助决策支持,有望提升诊断效率和准确性。