使用 Toeplitz 注意力的递归卷积网络对反射共聚焦显微镜图像中的皮肤层进行分割

NIPSDec, 2017

使用 Toeplitz 注意力的递归卷积网络对反射共聚焦显微镜图像中的皮肤层进行分割

Delineation of Skin Strata in Reflectance Confocal Microscopy Images using Recurrent Convolutional Networks with Toeplitz Attention

PDF

Alican Bozkurt, Kivanc Kose, Jaume Coll-Font, Christi Alessi-Fox, Dana H. Brooks...

TL;DR使用带有注意力机制的循环神经网络和 Toeplitz 注意力，对 RCM 图像进行分层并分类，可作为一种无创皮肤癌预筛查工具。测试结果显示，在 504 个 RCM 图像堆叠数据集上，分类准确率达到了 88.17％，达到了目前的最高水平。

Abstract

reflectance confocal microscopy (RCM) is an effective, non-invasive pre-screening tool for skin cancer diagnosis, but it requires extensive training and experience to assess accurately. There are few quantitative

reflectance confocal microscopy skin cancer diagnosis recurrent neural network toeplitz attention image classification

发现论文，激发创造

通过利用人工智能驱动的反射共聚焦显微镜分析提升诊断

反射共聚焦显微镜（RCM）是一种非侵入性成像技术，用于生物医学研究和临床皮肤学。它提供了皮肤和表浅组织的虚拟高分辨率图像，减少了对物理活检的需求。RCM 采用激光光源照射组织，捕捉反射光生成不同深度微观结构的详细图像。最近的研究探索了 AI 和机器学习，特别是 CNN，用于分析 RCM 图像。本研究提出了一种基于纹理特征的分割策略，用于识别具有临床意义的区域，提升皮肤科医生的图像解释能力和诊断信心。这种方法有望推动皮肤病的诊断和治疗。

Apr, 2024

皮肤病损检测和分割的多任务框架

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

用完全卷积神经网络检测临床皮肤镜特征

本研究提出了一种基于全卷积神经网络的方法，将临床显微镜图像中的皮肤病变区域分割出来，利用该方法可以有效地探讨临床皮肤显微镜特征识别问题，并在 ISIC-ISBI Part 2 比赛中取得了显著的优异表现。

Mar, 2017

基于 Transformer 网络的皮肤病变分割的跨尺度依赖建模

本研究提出并评估了一种基于分层 Transformer 结构的 U 型网络模型用于皮肤病变分割，同时提出了一种自适应地结合每个阶段上下文的 Inter-scale Context Fusion (ISCF) 方法，初步结果证明了 ISCF 模块在皮肤病变分割基准上的适用性和效能。

Oct, 2023

基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进

提出一种基于 Hierarchical Transformer 的 U 型结构用于皮损分割，以及一种使用注意力相关性自适应地组合每个阶段的上下文来减轻语义差距的 Inter-scale Context Fusion（ISCF）方法。

Oct, 2023

双重浓缩注意力凝聚器：利用深度学习中的注意力来检测皮肤癌

通过结合具有高速和更高效计算能力的双重压缩注意力凝聚器（DC-AC）的自注意神经网络骨干架构，本文探讨了利用高效的自注意结构来检测皮肤病变图像中的皮肤癌，并介绍了一种专为皮肤癌检测而定制的深度神经网络设计。该模型作为全球开源倡议的一部分，致力于加速机器学习在医学界对抗癌症方面的发展。

Nov, 2023

探究和利用图像分辨率进行基于迁移学习的皮肤病变分类

本文研究了使用不同输入图像尺寸 fine-tuned CNNs 进行皮肤病变分类的性能，提出了一种基于三级集成策略的新型融合方法，取得了比现有算法更好的分类结果。

Jun, 2020

卷积神经网络用于人脸皮肤病变检测

该研究提出了一种通过卷积神经网络和机器学习方法，在面部图像中侦测瑕疵和皮肤损伤的模型，该方法具有简单的架构、快速和适用于图像处理，并避免了传统方法的复杂性。

Feb, 2024

不平衡医学图像识别中的病变区域类别注意力

提出了一种简单而有效的框架，名为 CARE（Class Attention to Regions of the Lesion），通过在卷积神经网络（CNNs）的训练过程中引入注意力机制来处理数据不平衡问题。实验证明，该方法能够有效帮助网络专注于罕见疾病的损伤区域，显著提高了罕见疾病的分类性能。

Jul, 2023

通道注意力可分离卷积网络用于皮肤病变分割

通过提出 CASCN 网络，利用 U-Net、DenseNet、Separable Convolution、Channel Attention 和 Atrous Spatial Pyramid Pooling 等先进机制，实现皮肤病变分割，并在 PH2 数据集上取得了最佳性能（Dice 相似系数为 0.9461，准确率为 0.9645）。

Sep, 2023