本文介绍了一种结合深度学习和机器学习的系统，通过分割皮肤病变区域及其周围组织进行黑色素瘤检测，使用公开数据集验证，相比于专家医生的平均准确率高达 76%。

Oct, 2016

这篇文章讨论了利用深度残差网络对皮肤镜图像进行分析和诊断的方法，通过自动分析可以更准确地进行皮肤黑素瘤的诊断，有助于提高早期诊断率和治疗效果。

Mar, 2017

结合深度学习技术和迁移学习方法，本文提出了一种系统，用于对黑色素瘤皮肤损伤进行分类和诊断，达到相对较高的准确度，并且可在计算能力较弱的设备上进行预测。

Dec, 2023

本研究介绍了基于深度学习的黑色素瘤检测系统，包括数据净化和增强工具，通过去除图像的遮挡和用生成对抗网络合成图像来增加数据的多样性。实验证明，该系统相比其他方法表现更为优异。

Feb, 2019

本文针对自动黑素瘤筛查的研究现状进行了调查、分析和批评，并重新实施了一个基线技术并提出了两个新的技术。研究表明，基于当前的计算机视觉模型的简化流程比传统模型的性能更好，基于高级词袋的模型的 AUC 为 84.6％，基于深度神经网络的模型达到 89.3％，而基线（经典词袋）为 81.2％。我们还开始对我们的社区进行改进重复性的对话。

Apr, 2016

本文章介绍了一项公共皮肤科图像分析挑战赛的设计与实现，其目的是支持自动诊断致命皮肤癌症麻风疹的算法的研究与开发。通过划分子挑战来分别完成图像分析任务，包括皮损分割、皮损内皮肤镜特征检测和黑色素瘤分类。最终统计共有 79 组参赛选手，38 名参赛者，是迄今为止在皮损镜下诊断黑色素瘤的最大标准化和比较研究之一。

May, 2016

通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法，该研究建立了一个可比较 1,296 个实验的公平对比，并生成一个可在 Web 上部署的轻量级模型（称为 Mela-D）以及减少参数 24 倍以提高 33 倍运行速度，并在之前未见过的图像上获得与 ResNet50 相似的 88.8% 的准确率，从而实现在消费级硬件上高效准确地在实际环境中检测黑素瘤。

Mar, 2024

该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的 “网络中的网络” 方法，用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理，配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上，该方法的 Dice 相似度系数达到 0.915，准确率达到 0.959，在 ISBI 2017 数据集上，Dice 相似度系数达到 0.947，准确率达到 0.971。

May, 2020

本研究提出了一种基于全卷积神经网络的方法，将临床显微镜图像中的皮肤病变区域分割出来，利用该方法可以有效地探讨临床皮肤显微镜特征识别问题，并在 ISIC-ISBI Part 2 比赛中取得了显著的优异表现。

Mar, 2017

本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务，实验结果在 ISIC 2017 测试集上表现出有前景的准确率

Mar, 2017