O diagnóstico precoce do câncer de pele ajuda a aumentar as chances de cura dos pacientes e a aliviar a sobrecarga do sistema de saúde. Para enfrentar os problemas de perda de informação e dificuldade em identificar simultaneamente diferentes tipos independentes de características durante o processo de extração de características para classificação de imagens dermatoscópicas, foi proposta uma rede de otimização de características interativas multiescala e tridimensional (MTIFNet). Primeiro, esta rede utiliza um módulo adaptativo espacial multiescala para extrair informações contextuais globais e locais da imagem durante o treinamento, reforçando as relações entre pixels borrados ao redor da lesão em múltiplas escalas. Em seguida, foi projetado um módulo de otimização de características interativas tridimensionais que estabelece conexões entre diferentes dimensões e troca e integra informações. Por fim, utiliza-se a perda de entropia cruzada para medir a diferença entre a distribuição de probabilidade prevista e a distribuição real das classes, a fim de otimizar a precisão do modelo. Os resultados experimentais baseados nos conjuntos de dados ISIC 2018 e ISIC 2017 mostram que a rede elevou a precisão, precisão, recall e especificidade para 94,32%, 91,61%, 93,00%, 98,39% e 98,57%, 98,20%, 98,47%, 99,13%, respectivamente. Em comparação com as redes de classificação populares como ResNeSt, ConvNext e Fcanet, a MTIFNet possui melhor capacidade de extração e interação de características, auxiliando os médicos a tomarem decisões diagnósticas e terapêuticas mais precisas.

câncer de pele; classificação de imagens; multiescala; adaptativo espacial; interação tridimensional