从皮肤镜检查图片中精确描绘皮肤病变对于加强黑色素瘤的定量分析至关重要。然而，由于病变大小、形状和模糊边界的固有特征（例如）的巨大变化，这仍然是一项艰巨的工作。近年来，CNN 和 Transformers 在皮肤病变分割领域显示出显着的好处。因此，我们首先提出了 DSU-Net 分割网络，它受到手动分割过程的启发。通过两个分割子网络的协调机制，在最初粗略识别病变区域然后仔细描绘病变区域的地方，模拟过程发生。然后，我们提出了一个两阶段的平衡损失函数，通过自适应控制损失权重来更好地模拟手动分割过程。此外，我们引入了一个多特征融合模块，它结合了各种特征提取模块，以提取更丰富的特征信息，细化病变区域，并获得准确的分割边界。最后，我们在 ISIC2017、 ISIC2018 和 PH2 数据集上进行了广泛的实验，通过将其与目前可用的最先进的方法进行比较来评估和验证 DSU-Net 的有效性。这些代码可在 https://github.com/ZhongLongwei/DSU-Net 处获得。



"点击查看英文标题和摘要"