UCMViT: Enhancing Skin Lesion Segmentation with Efficient Transformer-Based Feature Fusion and Small Lesion Cropping
Notice bibliographique
Résumé
Skin lesion segmentation is a critical step in the early diagnosis of skin cancer, particularly melanoma, which is known for its high mortality rate if not detected early. However, challenges such as indistinct lesion boundaries, lighting variations, and small lesion sizes often hinder accurate segmentation in dermoscopic images. In this paper, we propose UCMViT, an advanced deep learning framework for skin lesion segmentation that addresses these challenges by enhancing feature extraction and integration. UCMViT incorporates a transformer-based MVT-Fusion Module, leveraging a pre-trained MobileVision Transformer to capture long-range dependencies through multi-scale feature maps, which are fused with the encoder’s local features. Additionally, a Semantics and Detail Infusion (SDI) module is integrated to improve the fusion of semantics and detail information across encoder-decoder stages. To further enhance robustness, UCMViT employs comprehensive data augmentation strategies during both training and testing, including random flipping, rotation, and color jitter, as well as a test-time augmentation pipeline. A novel inference-time strategy detects and crops small lesions, focusing segmentation on challenging regions. Evaluated on the ISIC 2017 dataset, UCMViT achieves a Dice Similarity Coefficient (DSC) of 0.9266 and a sensitivity (SE) of 0.9185, outperforming state-of-the-art methods such as U-Net, Attention Swin U-Net, and UCM-NetV2. These results demonstrate UCMViT’s effectiveness in improving segmentation accuracy and robustness, making it a promising solution for skin lesion analysis in clinical settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».