Feb, 2017

卷积神经网络委员会用于黑色素瘤分类，结合传统和专家知识的图像转换数据增强

PDF
TL;DR本研究以 ISBI 2017 黑色素瘤分类挑战为背景，通过人工增强图像数据和 CNN 模型委员会的方法来提高皮肤癌早期检测的准确率和分类器的稳定性。
发现论文，激发创造
  • 利用皮肤科医生的知识将卷积神经网络应用于皮肤病诊断

    本文介绍了我们参加 ISIC 2017 挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。

    Mar, 2017

  • 卷积神经网络用于皮肤病变诊断

    通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

    May, 2023

  • 利用对抗训练和深度迁移学习进行黑色素瘤检测

    本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

    Apr, 2020

  • 通过端到端深度学习卷积神经网络分析皮肤病变进行黑素瘤检测

    本文提出了一种使用卷积神经网络 (Convolutional Neural Network) 模型解决皮肤病变分割和病变诊断问题的方案，并在 2018 年 ISIC 挑战赛中获得了良好的实验结果。

    Jul, 2018

  • 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

  • 基于视觉转换的皮肤病生成与分类

    本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

    Feb, 2023

  • 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

  • 皮肤病变分析的数据增强

    本文探讨了 13 种数据增强下三种卷积神经网络（Inception-v4、ResNet 和 DenseNet）对黑色素瘤分类的影响，结果表明数据增强可以在训练和测试中都提高性能，且可以比获得新图像更有效。最佳情况下，不借助外部数据的黑色素瘤分类 AUC 为 0.882，超过了使用附加数据进行训练的 ISIC Challenge 2017 的最佳结果（0.874）。

    Sep, 2018

  • 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

  • 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