基于深度卷积神经网络组合的皮肤病变检测
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
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
这篇论文介绍了一个基于深度学习的自动疾病诊断预测系统,使用转移学习策略在 VGG16 和 GoogLeNet 架构上进行疾病分类预测,其主要特点是基于图像增强和颜色规范化的预处理方法,任务表现优秀。
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
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
皮肤癌是世界上最危险和最常见的癌症之一,本文使用深度卷积神经网络和迁移学习方法对皮肤病变进行自动分类,证明了在已有预训练神经网络的基础上的合理设计和应用可以显著提高病变检测的分类准确率。
Apr, 2024
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
本文介绍了在 ISIC 2019 挑战中获得任务 1 和 2 的第三名和第四名的方法。研究目标是提供使用图像和元数据进行皮肤癌诊断,使用 CNN 集成了分类器,开发了两种处理异常类的方法,并提出了一种简单的方法来使用元数据和图像。
Sep, 2019