使用集成、未缩放多重裁剪评估和损失加权的皮肤病变诊断
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
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
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
本研究提出了一种新的基于补丁注意力机制的体系结构,可以为高分辨率图像提供全局上下文,在皮肤病变分类中优于其他基于补丁的方法,并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。
May, 2019
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
本文介绍了我们使用的卷积神经网络模型集成方法来解决 SIIM-ISIC 皮肤黑色素瘤分类挑战问题,其中模型结合了不同的架构和输入大小,大多数仅使用图像模型,少数使用了图像级和患者级别的元数据,最终我们的解决方案使用稳定的验证方案,选择合适的模型目标,调整合理的流程和使用多样化的模型融合策略,实现了 0.9600 在交叉验证集上的 AUC 得分和 0.9490 在私有排行榜上的 AUC 得分。
Oct, 2020
本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术,我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明,所提出的方法优于几种标准的基线方法,并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。
Apr, 2020