Oct, 2016

皮肤镜图像黑色素瘤识别的深度学习集成

PDF
TL;DR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%。
melanomaskin cancerdeep learningmachine learningdermoscopic images
发现论文，激发创造
  • 利用图像处理和机器学习进行皮肤镜图像黑色素瘤检测概述

    利用数字图像处理和机器学习技术，通过对临床图像的分割和分类，实现早期检测黑色素瘤疾病，从而无需进行昂贵且无必要的切除手术。

    Jan, 2016

  • 基于网络的黑色素瘤检测

    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

  • 基于深度卷积神经网络组合的皮肤病变检测

    论文提出了一种深度卷积神经网络的组合方法，用于将皮肤镜图像分类为三类，该方法结合了四种不同神经结构的输出，以达到最高分类精度，并优于单个神经网络。

    May, 2017

  • 使用深度神经网络集成的自动皮肤病变分类：基于 ISIC 2018 数据集的皮肤病变分析，旨在参加黑色素瘤检测挑战

    本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。

    Jan, 2019

  • 分析及比较基于转移学习的皮肤镜图像黑素瘤分类

    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

  • 利用大规模的皮肤镜图像和深度残差网络进行自动皮肤病变分析

    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

  • 基于深度学习的自动黑素瘤检测：数据净化和增强

    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

  • 基于深度卷积神经网络的皮肤镜图像疾病识别

    本研究探讨了一种基于深度神经网络的集成方法，用于从皮肤镜图像中自动识别皮肤疾病，其算法被应用于 ISIC 2018 挑战数据集（皮肤病变分析，以期达到黑色素瘤检测的目的）。

    Jul, 2018

  • 皮肤病变筛查的自动化自我监督学习

    该研究开发了一种人工智能决策支持工具，通过使用一种先进的目标检测算法，从患者图像中识别和提取所有皮肤病变，进而帮助皮肤科医生鉴别丑小鸭症状（UD），该工具的临床验证研究表明，辅助 AI 后，皮肤科医生的信心提高，与 AI 识别的 UD 的一致性得到改善。

    Nov, 2023

  • 人工智能在临床黑素瘤诊断中的应用：一项前瞻性多中心研究的洞见

    通过与皮肤科医生在一个具有多个不同医院和摄像机配置、罕见黑素瘤亚型和特殊解剖部位的异质测试集上进行比较，我们评估了 “全数据扩展”（ADAE）算法在黑素瘤检测中的诊断准确性，并提高了算法的泛化能力。与皮肤科医生相比，AI 在异质数据集上表现出更高的平衡准确度和敏感度，但牺牲了特异性。因此，AI 在诊断复杂情况时可能有潜力支持皮肤科医生。

    Jan, 2024