🔬 算法说明

算法基本信息

算法工作原理

本算法基于 YOLOv11（You Only Look Once v11）目标检测框架，并引入 SE（Squeeze-and-Excitation）注意力机制 进行改进。

处理流程

• 步骤1 - 图像预处理：将用户上传的图片自动缩放至 640×640 像素（保持宽高比，不足部分以填充色补充），转换为3通道RGB格式。
• 步骤2 - 特征提取（Backbone）：通过多层卷积神经网络逐步提取图像的多尺度特征，生成3个尺度的特征图（P3/P4/P5），分别对应小、中、大目标。
• 步骤3 - 空间金字塔池化（SPPF）：增强模型对不同大小目标的感知能力。
• 步骤4 - 跨阶段特征增强（C2PSA）：提升特征表达的丰富度。
• 步骤5 - 多尺度特征融合（Neck）：通过FPN+PAN结构将不同尺度的特征进行融合，使模型能同时检测大小不同的病变区域。
• 步骤6 - SE注意力加权：在特征融合后的P3/P4/P5三个层级分别嵌入SE注意力模块，自适应地学习每个通道的重要性，增强关键特征（如病变纹理、颜色边界）的响应。
• 步骤7 - 检测输出：检测头输出每个目标的边界框坐标、置信度和分类结果。
• 步骤8 - 非极大值抑制（NMS）：去除重复检测框，输出最终结果。

结果解读

• Benign（良性）：算法判断该病变区域为良性特征，建议定期观察。
• Malignant（恶性）：算法判断该病变区域具有恶性特征，强烈建议尽快就医进行专业检查。
• 置信度：表示算法对该分类结果的信心程度（0-100%），数值越高表示越有信心。

算法局限性

• 本算法仅支持良性/恶性二分类，不能识别具体的皮肤病种类别。
• 检测结果受图片质量、拍摄角度、光照条件等因素影响。
• 对于罕见或非典型的病变，算法可能无法给出准确判断。
• 本算法不能替代专业医生的临床诊断和病理检查。

训练数据说明

模型基于公开皮肤病变图像数据集训练，包含约15,879张经专业标注的皮肤病变图像，其中训练集11,879张、验证集2,000张、测试集2,000张。

性能指标

• 精确率（Precision）：84.9%
• 召回率（Recall）：90.1%
• mAP@0.5：95.3%
• mAP@0.5:0.95：95.2%