Devido às limitações das operações de convolução, as redes atuais de segmentação de imagens de lesões cutâneas não conseguem modelar as informações de contexto global nas imagens, o que resulta na incapacidade de capturar efetivamente as informações estruturais do objeto na imagem. Este artigo projeta uma rede híbrida em formato U que incorpora codificação de atenção cruzada para segmentação de imagens de lesões cutâneas. Primeiramente, o codificador de atenção cruzada posicional multilateral projetado é introduzido nos dois últimos níveis da rede em forma de U, permitindo que ela aprenda dependências de longo prazo das informações semânticas nas imagens, compensando a falta de capacidade de modelagem global das operações de convolução. Em segundo lugar, um novo mecanismo de atenção posicional de canal é introduzido na parte das conexões de salto para codificar as informações do canal das características fusionadas e preservar as informações de posição, aumentando a capacidade da rede de capturar a estrutura do objeto. Por fim, é projetada uma função de perda Dice regularizada, permitindo que a rede equilibre entre falsos positivos e falsos negativos, melhorando os resultados de segmentação. Os resultados dos experimentos comparativos baseados nos conjuntos de dados ISBI2017 e ISIC2018 mostraram que o Dice da rede foi de 91,48% e 91,30%, respectivamente, e o IoU foi de 84,42% e 84,12%. A precisão da segmentação superou geral outras redes e possui menor número de parâmetros e complexidade computacional, indicando que esta rede pode segmentar eficazmente as áreas alvo das imagens de lesões cutâneas e pode auxiliar no diagnóstico assistido de doenças dermatológicas.

segmentação de imagens médicas; lesões cutâneas; codificação de atenção cruzada; atenção posicional de canal