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

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

Automated Skin Lesion Classification Using Ensemble of Deep Neural Networks in ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection Challenge

HTML

PDF

Md Ashraful Alam Milton

TL;DR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。

Abstract

In this paper, we studied extensively on different deep learning based methods to detect melanoma and skin lesion cancers. →

发现论文，激发创造

面部皮损分析以助于黑色素瘤检测：由国际皮肤成像合作组织（ ISIC ）主办的2016年国际生物医学成像研讨会上的挑战

本文章介绍了一项公共皮肤科图像分析挑战赛的设计与实现，其目的是支持自动诊断致命皮肤癌症麻风疹的算法的研究与开发。通过划分子挑战来分别完成图像分析任务，包括皮损分割、皮损内皮肤镜特征检测和黑色素瘤分类。最终统计共有79组参赛选手，38名参赛者，是迄今为止在皮损镜下诊断黑色素瘤的最大标准化和比较研究之一。

May, 2016

卷积神经网络委员会用于黑色素瘤分类，结合传统和专家知识的图像转换数据增强

本研究以 ISBI 2017 黑色素瘤分类挑战为背景，通过人工增强图像数据和 CNN 模型委员会的方法来提高皮肤癌早期检测的准确率和分类器的稳定性。

Feb, 2017

ISIC 2017 - 皮肤病变分析以实现黑色素瘤检测

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

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。