本研究利用深度卷积神经网络实现 ISIC 2017 挑战赛的病变分割和分类任务。

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

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

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

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

使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

Aug, 2018

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

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