结合 LEDNet 与 Swin-UMamba 的混合方法，用于精确皮肤病灶分割

为什么绘制痣很重要

皮肤癌，包括危险的黑色素瘤，常常从皮肤上一处小而不规则的斑点开始。医生使用称为皮肤镜图像的特写照片来研究这些斑点，但人工仔细描绘每个病灶的精确轮廓既缓慢又具有主观性。本研究提出了一种新的计算机方法，能够在此类图像中自动绘制高度精确的病灶边界，这一步有助于更早发现并更可靠地监测皮肤癌。

从模糊边界到清晰轮廓

传统用于分析医学影像的计算程序在识别整体模式方面表现良好，但往往会“模糊”健康皮肤与可疑组织交界处的细节。对皮肤癌而言，这些边缘至关重要：锯齿状或模糊的边界可能是危险信号。许多现有系统要么漏掉病灶的一部分，要么包含过多周围皮肤，尤其是在图像噪声大、对比度低或受毛发与阴影影响时。作者认为，要解决这一问题，需要一种能够同时看到大局与微小不规则细节的工具。

由两部分构成的数字专家

研究人员设计了一个混合系统，结合了两种互补的组件。第一个称为 LEDNet（Lesion Edge Detection Network，病灶边缘检测网络），专注于定位精确边界。它比较成对的病灶图像以突出斑点与邻近皮肤之间的差异，然后通过一个“边缘引导”模块细化这些信息，生成干净的边缘图——本质上是病灶的细线轮廓。第二个组件 Swin-UMamba 则侧重于图像的整体结构。它采用源自长文本和时间序列处理的现代序列处理思想，连接图像远处的信息，以理解病灶的整体形状和纹理。边缘聚焦模块与全局语境模块相互强化，从而得到更清晰、更可信的轮廓。

用真实皮肤图像训练系统

为了评估其方法的效果，研究团队在三套广泛使用的皮肤镜图像集上进行了测试：ISIC-2017、ISIC-2018 和 Ph2。每个数据集都包含皮肤照片及专家绘制的掩码，标记病灶的起止位置。研究人员首先使用经典的 Canny 边缘检测器从现有掩码生成简单的边缘图。将这些边缘图与原始图像一并输入混合模型。性能通过标准指标来衡量，这些指标将计算机分割结果与专家标注进行比较，其中包括 Dice 分数——当匹配几乎完美时该值接近 1.0。

媲美专家描绘的结果

在这三套数据集中，混合模型均优于诸如 U-Net、基于注意力的网络及其他近期轻量化设计等知名替代方法。在 ISIC-2017 与 ISIC-2018 数据集上，Dice 分数约为 0.97，在高质量的 Ph2 图像上可达约 0.98，表明与人工绘制的边界非常接近。该方法还表现出高敏感性（漏检病灶像素少）、高特异性（健康像素被误标为病灶的情况少）以及较高的总体准确率。可视化热图显示系统自然聚焦于病灶边界——正是临床人员最关心的区域，而不会被背景伪影分散注意力。

迈向更快、更一致的皮肤检查

作者总结认为，其混合的 LEDNet–Swin-UMamba 框架为在皮肤镜图像中自动描绘病灶轮廓提供了强大且高效的工具。通过将细致的边缘追踪与对病灶形状的全局理解相结合，该方法能在不规则或复杂的痣上产生既清晰又可靠的分割。尽管它不会取代皮肤科医生，但这样的系统可以成为有价值的助手——加快图像审查、减少专家间的分歧，并有助于尽早发现和监测皮肤上的可疑变化。

引用: Naeem, M.A., Yang, S., Saleem, M.A. et al. A hybrid approach for accurate skin lesion segmentation using LEDNet and Swin-UMamba. Sci Rep 16, 5415 (2026). https://doi.org/10.1038/s41598-026-38056-y

关键词: 皮肤癌, 黑色素瘤, 医学影像, 深度学习, 病灶分割