RECOD Titans 在 ISIC Challenge 2017 中的表现
本文介绍 RECOD Titans 参与 ISIC Challenge 2018 的情况,针对皮肤病变分析、黑色素瘤检测和病变属性检测三个任务,提交了包括模型和数据集在内的 3 种集成方法,最终在官方测试中分别取得了 0.728、0.344 和 0.803 的最佳成绩,并分别获得了 56th、14th 和 9th 的名次。
Aug, 2018
本研究总结了由国际皮肤成像协作组织(ISIC)主办的全球最大的皮肤图像分析挑战赛的结果,旨在建立皮肤图像智能分析的新标准,实验表明,当前前沿的皮肤图像智能分析仍存在诊断错误率较高的问题以及算法能力泛化差异问题,这对于卫生保健领域中的机器学习工具监管机构来说是一个重要考虑。
Feb, 2019
本文介绍了我们针对 ISIC 2019 皮肤病变分类挑战的方法,通过包括不在训练集中的皮肤病变类型的外部数据,使用丰富多样的数据集解决多类皮肤病变分类中的类别不平衡问题,并采用不同的分辨率和裁剪策略,以及额外的神经网络融合等技术实现了一整套模型,最终在两个任务上取得了最好的效果。
Oct, 2019
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
报告总结了我们在 ISIC 2018 任务 1 中,针对黑色素瘤检测领域的皮肤损伤分析进行病变分割的方法和验证结果。我们提出了一种优化训练方法和集成后处理的二阶段病变分割方法,取得了在病变分割方面的最新成果,赢得了 ISIC 2018 任务 1 的第一名。
Sep, 2018
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
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
本文介绍了我们用于分类 ISIC 2019 挑战数据集皮损 dermoscopic 照片的方法和技术,我们的方法旨在使用合奏深度神经网络及其一些强大的技术来处理不平衡数据集,以提高 CNN 模型性能。
Nov, 2019