May, 2018

SLSDeep：基于扩张残差和金字塔池化网络的皮肤病损分割

PDF
TL;DR本文介绍了一种称为 SLSDeep 的深度学习皮肤病损分割模型，采用编码器 - 解码器网络，采用负对数似然损失和终点误差的组合损失函数进行端到端的自动诊断，实现了准确的黑色素瘤区域分割，并在 ISBI 2016 和 2017 上进行了评估，其具有优于现有方法的准确性，能够在最新的 GPU 上每秒处理超过 100 张 384x384 大小图像的能力。
skin lesion segmentationdeep learningmelanomaencoder-decoderloss function
发现论文，激发创造
  • 基于聚合多分辨率跳跃连接的深度卷积编码器 - 解码器用于皮肤病变分割

    本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

    Jan, 2019

  • 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

  • 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

  • 使用深度学习网络进行皮肤病变分析以实现黑色素瘤检测

    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

  • 利用大规模的皮肤镜图像和深度残差网络进行自动皮肤病变分析

    这篇文章讨论了利用深度残差网络对皮肤镜图像进行分析和诊断的方法，通过自动分析可以更准确地进行皮肤黑素瘤的诊断，有助于提高早期诊断率和治疗效果。

    Mar, 2017

  • SLP-Net: 皮肤病病变分割的高效轻量级网络

    我们提出了一种新颖的皮肤病变分割技术 SLP-Net，它是一种基于脉冲神经 P (SNP) 系统类型机制的超轻量级分割网络，具有很少的参数和高速计算的特点。在 ISIC2018 挑战赛中，我们的模型在准确率和 DSC 指标上都达到了最高水平，而在 PH2 数据集上也展现了良好的泛化能力。与其他模型相比，SLP-Net 在计算复杂性和计算速度上具有明显的优势。

    Dec, 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

  • 提高黑色素瘤诊断可信度：强制卷积网络从病变中学习

    本研究提出了一种基于 EfficientNet 和椭圆分割模型的黑素瘤检测方法，测试结果表明该方法可显著提高诊断准确率和信心水平。

    May, 2023

  • 皮肤病变定位和分割的检测器 - 分割师网络

    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

  • 使用深度神经网络进行皮肤病变分类

    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