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

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

通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

May, 2023

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

本研究报告了 Casio 和信州大学合作团队参加 ISBI 2017 挑战的方法和评估结果 —— 皮肤病变分析，目的是检测黑色素瘤 - 小节 3：病变分类，我们的在线验证分数为 0.958，黑素瘤分类器 AUC 达到 0.924，脂溢性角化病变分类器 AUC 达到 0.993。

Mar, 2017

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

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

本篇论文总结了 BCN20000 数据集，该集包含来自巴塞罗那医学中心在 2010 年至 2016 年期间拍摄的 19424 张皮肤镜检影像，旨在研究皮肤癌的非受限分类问题，包括在难以诊断的部位（指甲和黏膜），不适合镜检设备孔径的大型病变和低色素病变。BCN20000 将提供给 ISIC Challenge 2019 的参与者使用，参与者需要训练算法自动分类皮肤癌镜检影像。

Aug, 2019