DOI: https://doi.org/10.1038/s41598-026-38056-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41651939
تاريخ النشر: 2026-02-06
المؤلف: Muhammad Ahtsam Naeem وآخرون
الموضوع الرئيسي: كشف وإدارة الميلانوما الجلدية
نظرة عامة
تقدم البحث نموذجًا هجينًا يدمج LEDNet و Swin-UMamba لتجزئة آفات الجلد، مع معالجة التحديات التي تطرحها الحدود غير المنتظمة والأنسجة المعقدة في الكشف عن سرطان الجلد. يتميز LEDNet بهيكل سيامي متعدد المستويات مع وحدة تحليل الفرق (DAM) ووحدة توجيه الحواف (EGM) لتعزيز ترميز الحواف، بينما يستخدم Swin-UMamba مشفرات قائمة على Mamba وكتل الفضاء البصري (VSS) لالتقاط الميزات السياقية بعيدة المدى. تم تقييم النموذج على مجموعات بيانات Ph 2 و ISIC-2017 و ISIC-2018، محققًا مقاييس أداء مثيرة للإعجاب: معامل تشابه Dice (DSC) قدره 0.9734، حساسية قدرها 0.9697، خصوصية قدرها 0.9858، ودقة قدرها 0.9847 لـ ISIC 2017؛ DSC قدره 0.9753، حساسية قدرها 0.9494، خصوصية قدرها 0.9902، ودقة قدرها 0.9713 لـ ISIC 2018؛ و DSC قدره 0.9801، حساسية قدرها 0.9892، خصوصية قدرها 0.9966، ودقة قدرها 0.9932 لـ Ph.
تخلص الدراسة إلى التأكيد على إمكانيات الإطار الهجين المقترح في dermatology السريرية للتشخيص الدقيق والعلاج من خلال تحسين التجزئة. ستركز الأعمال المستقبلية على تحسين النموذج للتطبيقات في الوقت الحقيقي، واستكشاف آليات الانتباه الأخف، واستخدام بحث بنية الشبكة العصبية (NAS) لتعزيز دقة التجزئة مع تقليل المتطلبات الحاسوبية. بالإضافة إلى ذلك، تهدف البحث إلى دمج أدوات ما بعد المعالجة المتقدمة وامتدادات التعلم العميق لتحسين متانة النموذج وقدراته على التعميم بشكل أكبر.
مقدمة
تسلط مقدمة ورقة البحث الضوء على القضية الحرجة لسرطان الميلانوما كنوع قاتل للغاية من سرطان الجلد، مع التأكيد على أهمية التشخيص المبكر والتجزئة الدقيقة لآفات الجلد لتحسين نتائج المرضى. لقد سهلت التقدمات في التعلم العميق ورؤية الكمبيوتر التشخيص الآلي والتجزئة في التصوير الطبي، لا سيما من خلال استخدام الديرموسكوب، الذي يسمح بالملاحظة عالية الدقة للميكرو هياكل الجلد. ومع ذلك، يمكن أن تؤدي الطبيعة الذاتية لتفسير صور الديرموسكوب إلى عدم التناسق بين الأطباء. للتخفيف من هذه التحديات، تقترح الورقة بنية هجينة تجمع بين شبكة الكشف عن حواف الآفات (LEDNet) ومحول Swin-UMamba، بهدف تعزيز الدقة المكانية وفهم السياق العالمي لتحسين تحديد الحدود في صور الديرموسكوب.
يعالج النموذج المقترح القيود الموجودة في الشبكات العصبية التلافيفية التقليدية (CNNs)، مثل تشويش الحدود بسبب تقليل العينة، من خلال دمج آليات التحكم في الحواف ونماذج الفضاء الحالة (SSMs) لالتقاط الاعتماديات بعيدة المدى. تم التحقق من فعالية نموذج UNet Mamba الموجه بالحواف باستخدام مجموعات بيانات معروفة، بما في ذلك Ph 2 و ISIC 2017 و ISIC 2018، والتي تُعترف بها لصورها الديرموسكوبية المعلّمة بشكل واسع. تشير النتائج الأولية إلى أن النموذج الهجين يتفوق على الطرق التقليدية مثل U-Net و SCR-Net في مقاييس الأداء الرئيسية، مما يدل على إمكانيته للتجزئة الموثوقة والكشف المبكر عن سرطان الجلد في البيئات السريرية.
طرق
في هذه الدراسة، استخدم المؤلفون نموذجين متقدمين، LEDNet (شبكة الكشف عن حواف الآفات) و Swin-UMamba، لتعزيز استخراج وتجزئة آفات الجلد عبر ثلاث مجموعات بيانات: Ph 2 و ISIC-2017 و ISIC-2018. يدمج الإطار LEDNet خفيف الوزن للكشف الدقيق عن الحواف مع مفكك شفرة حساس للحواف و Swin-UMamba، الذي يجمع بين استخراج التفاصيل القائم على CNN مع الاستدلال الدلالي القائم على المحولات. يحسن هذا الهيكل ذو الفرعين دقة الكشف عن الحواف وأداء التجزئة من خلال الاستفادة من نقاط القوة في كلا النموذجين. للتخفيف من الإفراط في التكيف، نفذ المؤلفون استراتيجيات مثل إزالة الوزن، والتحقق من صحة كل خلية، وإدخال ميزات خريطة الحواف الإضافية التي تعطي الأولوية للأنماط الهيكلية. كما عالجوا نقص التكيف من خلال دمج خرائط الحواف وقنوات RGB كميزات إدخال وتحسين تعقيد النموذج من خلال ضبط المعلمات الفائقة.
استخدمت الإعدادات التجريبية وحدة معالجة الرسومات المتوافقة مع NVIDIA CUDA لتدريب فعال ومعالجة الصور، مع تنفيذات قائمة على Python لتدريب النموذج وحساب مقاييس التقييم. تم اختبار النموذج المقترح بدقة ضد أحدث الطرق باستخدام مجموعات البيانات المختارة، مما يظهر دقة تجزئة متفوقة ومتانة. أشارت النتائج إلى أن النموذج يتعامل بفعالية مع التفاعلات المكانية المعقدة ويدمج الميزات، متفوقًا على الهياكل التقليدية مثل LightM-UNet و VM-UNet. تسلط النتائج الضوء على قدرة النموذج على التكيف مع مجموعات بيانات متنوعة وإمكانيته للتطبيقات السريرية في العالم الحقيقي، كما يتضح من الأداء المتسق عبر تعقيدات ودقات مختلفة. أكدت التصورات، بما في ذلك خرائط الانتباه Grad-CAM، تركيز النموذج على حدود الآفات ذات الصلة سريريًا، مما يبرز قابليته للتفسير وأهميته السريرية.
نتائج
في تقييم النموذج المقترح، تم إجراء تجارب على مجموعات بيانات Ph 2 و ISIC-2017 و ISIC-2018، مع التركيز على الكشف عن الحواف وتجزئة الآفات. تم تقييم الأداء باستخدام مقاييس معروفة، بما في ذلك التقاطع على الاتحاد (IoU)، معامل Dice، ودرجة F1 للحدود. يتم تعريف مقياس IoU بالمعادلة:
\[
\text{IoU} = \frac{|P \cap G|}{|P \cup G|}
\]
حيث يمثل \( P \) المناطق المتوقعة بواسطة النموذج، و \( G \) تشير إلى المناطق الفعلية. توفر هذه التقييمات فهمًا شاملاً لحساسية النموذج وفعاليته في الكشف بدقة عن الآفات وتجزئتها.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدمات الكبيرة التي تم إحرازها في تجزئة آفات الجلد من خلال النموذج الهجين المقترح، الذي يدمج شبكة الكشف عن حواف الآفات (LEDNet) وبنية Swin-UMamba. يظهر النموذج أداءً متفوقًا عبر مجموعات بيانات متعددة، محققًا قيم معامل تشابه Dice (DSC) قدرها 0.9734 و 0.9753 و 0.9801 لمجموعات بيانات ISIC-2017 و ISIC-2018 و Ph 2، على التوالي. تتجاوز هذه النتائج تلك الخاصة بالنماذج التقليدية مثل U-Net و SCR-Net، مما يشير إلى فعالية المعالجة المسبقة المعتمدة على الحواف وبنية النموذج في تحديد حدود الآفات بدقة. تؤكد الخصوصية العالية والحساسية، التي لوحظت بشكل خاص في مجموعة بيانات Ph 2، على متانة النموذج في التعامل مع الصور عالية الدقة ذات الحدود الواضحة للآفات.
تناقش المناقشة أيضًا قيود النموذج، لا سيما في السيناريوهات الصعبة التي تتضمن آفات محجوبة أو ذات تباين منخفض، وتقترح أن الأعمال المستقبلية ستستكشف تقنيات مثل التعلم التبايني والتنقيح متعدد المقاييس لتعزيز الأداء في هذه الحالات. تؤكد الورقة على الحاجة إلى التحقق من صحة البيانات المتقاطعة لضمان متانة النموذج عبر مجموعات بيانات متنوعة. بالإضافة إلى ذلك، تسلط الضوء على كفاءة النموذج، محققة قدرات استدلال في الوقت الحقيقي، وهو أمر حاسم للتطبيقات السريرية. تشمل اتجاهات البحث المستقبلية تحسين النموذج للأجهزة الطرفية، واستكشاف آليات الانتباه الأخف، واستخدام بحث بنية الشبكة العصبية (NAS) لتعزيز دقة التجزئة مع تقليل المتطلبات الحاسوبية. بشكل عام، يمثل النموذج المقترح خطوة كبيرة إلى الأمام في تشخيص سرطان الجلد الآلي، مع إمكانيات للتطبيقات السريرية.
DOI: https://doi.org/10.1038/s41598-026-38056-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41651939
Publication Date: 2026-02-06
Author(s): Muhammad Ahtsam Naeem et al.
Primary Topic: Cutaneous Melanoma Detection and Management
Overview
The research presents a hybrid model that integrates LEDNet and Swin-UMamba for the segmentation of skin lesions, addressing the challenges posed by irregular boundaries and complex textures in skin cancer detection. LEDNet features a multi-level Siamese structure with a difference analysis module (DAM) and an edge guidance module (EGM) to enhance edge encoding, while Swin-UMamba employs Mamba-based encoders and visual state space (VSS) blocks to capture long-range contextual features. The model was evaluated on the Ph 2, ISIC-2017, and ISIC-2018 datasets, achieving impressive performance metrics: a Dice Similarity Coefficient (DSC) of 0.9734, sensitivity of 0.9697, specificity of 0.9858, and accuracy of 0.9847 for ISIC 2017; DSC of 0.9753, sensitivity of 0.9494, specificity of 0.9902, and accuracy of 0.9713 for ISIC 2018; and DSC of 0.9801, sensitivity of 0.9892, specificity of 0.9966, and accuracy of 0.9932 for Ph.
The study concludes by emphasizing the potential of the proposed hybrid framework in clinical dermatology for accurate diagnosis and treatment through improved segmentation. Future work will focus on optimizing the model for real-time applications, exploring lighter attention mechanisms, and employing neural architecture search (NAS) to enhance segmentation accuracy while minimizing computational demands. Additionally, the research aims to incorporate advanced post-processing tools and deep learning extensions to further improve the model’s robustness and generalization capabilities.
Introduction
The introduction of the research paper highlights the critical issue of melanoma as a highly lethal skin cancer, emphasizing the importance of early diagnosis and accurate segmentation of skin lesions to improve patient outcomes. Advances in deep learning and computer vision have facilitated automated diagnosis and segmentation in medical imaging, particularly through the use of dermoscopy, which allows for high-resolution observation of skin microstructures. However, the subjective nature of dermoscopic image interpretation can lead to inconsistencies among clinicians. To mitigate these challenges, the paper proposes a hybrid architecture that combines the edge-aware Lesion Edge Detection Network (LEDNet) and the Swin-UMamba transformer, aiming to enhance spatial precision and global context understanding for improved boundary delineation in dermoscopic images.
The proposed model addresses limitations found in traditional convolutional neural networks (CNNs), such as boundary blurring due to downsampling, by integrating edge control mechanisms and state space models (SSMs) to capture long-range dependencies. The effectiveness of the edge-guided UNet Mamba model is validated using established datasets, including Ph 2, ISIC 2017, and ISIC 2018, which are recognized for their extensive annotated dermoscopic images. Preliminary results indicate that the hybrid model outperforms conventional methods like U-Net and SCR-Net on key performance metrics, demonstrating its potential for reliable segmentation and early detection of skin cancer in clinical settings.
Methods
In this study, the authors employed two advanced models, LEDNet (Lesion Edge Detection Network) and Swin-UMamba, to enhance the extraction and segmentation of skin lesions across three datasets: Ph 2, ISIC-2017, and ISIC-2018. The framework integrates a lightweight LEDNet for precise edge detection with an edge-sensitive decoder and Swin-UMamba, which combines CNN-based detail extraction with transformer-based semantic inference. This dual-branch architecture improves edge detection accuracy and segmentation performance by leveraging the strengths of both models. To mitigate overfitting, the authors implemented strategies such as weight removal, per-cell validation, and the introduction of additional edge map features that prioritize structural patterns. They also addressed underfitting by incorporating edge maps and RGB channels as input features and optimizing model complexity through hyperparameter tuning.
The experimental setup utilized an NVIDIA CUDA-compatible GPU for efficient training and image processing, with Python-based implementations for model training and evaluation metrics calculation. The proposed model was rigorously tested against state-of-the-art methods using the selected datasets, demonstrating superior segmentation accuracy and robustness. Results indicated that the model effectively handles complex spatial interactions and integrates features, outperforming conventional architectures like LightM-UNet and VM-UNet. The findings highlight the model’s adaptability to diverse datasets and its potential for real-world clinical applications, as evidenced by consistent performance across varying complexities and resolutions. Visualizations, including Grad-CAM attention maps, confirmed the model’s focus on clinically relevant lesion boundaries, underscoring its interpretability and clinical relevance.
Results
In the evaluation of the proposed model, experiments were conducted on the Ph 2, ISIC-2017, and ISIC-2018 datasets, focusing on edge detection and lesion segmentation. The performance was assessed using established metrics, including Intersection over Union (IoU), Dice coefficient, and Boundary F1 score. The IoU metric is defined by the equation:
\[
\text{IoU} = \frac{|P \cap G|}{|P \cup G|}
\]
where \( P \) represents the predicted regions by the model, and \( G \) denotes the actual regions. These evaluations provide a comprehensive understanding of the model’s sensitivity and effectiveness in accurately detecting and segmenting lesions.
Discussion
The discussion section of the research paper highlights the significant advancements made in skin lesion segmentation through the proposed hybrid model, which integrates the Lesion Edge Detection Network (LEDNet) and the Swin-UMamba architecture. The model demonstrates superior performance across multiple datasets, achieving Dice Similarity Coefficient (DSC) values of 0.9734, 0.9753, and 0.9801 for ISIC-2017, ISIC-2018, and Ph 2 datasets, respectively. These results surpass those of traditional models such as U-Net and SCR-Net, indicating the effectiveness of the edge-based preprocessing and the model’s architecture in accurately delineating lesion boundaries. The high specificity and sensitivity, particularly noted in the Ph 2 dataset, underscore the model’s robustness in handling high-resolution images with clear lesion boundaries.
The discussion also addresses the model’s limitations, particularly in challenging scenarios involving occluded or low-contrast lesions, and suggests that future work will explore techniques such as contrastive learning and multiscale refinement to enhance performance in these cases. The paper emphasizes the need for cross-data validations to ensure the model’s robustness across diverse datasets. Additionally, it highlights the model’s efficiency, achieving real-time inference capabilities, which is crucial for clinical applications. Future research directions include optimizing the model for edge devices, exploring lighter attention mechanisms, and employing neural architecture search (NAS) to enhance segmentation accuracy while minimizing computational demands. Overall, the proposed model represents a significant step forward in automated skin cancer diagnosis, with potential implications for clinical practice.