通过使用多任务少样本学习方法,我们提出了一种适应少量标记数据的多任务少样本学习方法,结合分割网络和分类网络,以实现对皮肤病变的自动分类和检测,提高皮肤癌的早期检测率。
Oct, 2023
通过整合智能手机拍摄的图像与临床和人口统计信息,将多模态方法引入皮肤病变分类的诊断过程中,通过辅助任务的超分辨率图像预测组成,提高特征提取和类别区分的能力,并展示了在资源匮乏的医疗环境中应用此方法的有效性。
Feb, 2024
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
提出了一种名为 DermImitFormer 的多任务模型,通过模仿皮肤科医生的诊断程序和策略,解决了现有方法忽略皮肤疾病诊断所需基本领域知识的问题,并同时预测身体部位、皮损属性以及疾病本身,从而提高诊断准确性和可解释性。
Jul, 2023
本文研究了实现强健的皮肤病诊断的实用方法,并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法,并应用卷积神经网络(CNNs)来实现疾病定向诊断和病变定向分类的分类器,并采用来自六个公开皮肤病学大全的 75665 个皮肤病图像来进行训练与测试,结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。
Dec, 2018
通过最大化不同视角下的镜检和临床图像之间的相似性,聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。
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
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
本研究利用 transformer-based 架构实现了单阶段多模态数据融合,并在图像与病患数据丰富的环境下击败了其他单模态和多模态深度学习架构,同时,所选架构还提供了本地可解释性支持。
Apr, 2023
本论文提出了一种有效的迭代学习框架,用于医学图像的噪声标签分类问题。具体而言,我们提出了一种在线不确定样本挖掘方法,以消除嘈杂标记的图像的干扰,接着,我们设计了一种样本重新加权策略,以保留正确标记难样本的有用性。我们的方法在皮肤病变分类任务中得到了很有希望的结果。
Jan, 2019