Feb, 2019

2018 年皮肤病变分析挑战赛：面向黑色素瘤检测的国际皮肤成像协作举办的挑战活动

PDF
TL;DR本研究总结了由国际皮肤成像协作组织（ISIC）主办的全球最大的皮肤图像分析挑战赛的结果，旨在建立皮肤图像智能分析的新标准，实验表明，当前前沿的皮肤图像智能分析仍存在诊断错误率较高的问题以及算法能力泛化差异问题，这对于卫生保健领域中的机器学习工具监管机构来说是一个重要考虑。
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

  • 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

  • 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

  • 一种应用于皮肤镜图像的皮损检测与分割架构

    报告总结了我们在 ISIC 2018 任务 1 中，针对黑色素瘤检测领域的皮肤损伤分析进行病变分割的方法和验证结果。我们提出了一种优化训练方法和集成后处理的二阶段病变分割方法，取得了在病变分割方面的最新成果，赢得了 ISIC 2018 任务 1 的第一名。

    Sep, 2018

  • 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

  • 一个以患者为中心的图像和元数据数据集，用于使用临床上下文识别黑色素瘤

    2020 SIIM-ISIC Melanoma Classification challenge dataset was developed to provide patient-level contextual information for dermatologists’ holistic judgment on melanoma, containing 33,126 dermoscopic images and 584 confirmed melanomas among 2,056 patients.

    Aug, 2020

  • BCN20000：野外皮肤镜病变

    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

  • 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

  • WonDerM：基于 Fine-tuned 神经网络的皮肤病变分类

    该研究旨在通过深度学习和神经网络应用于皮肤科图像分析挑战解决皮肤病的预测和分类问题，并在验证数据集和测试数据集中分别实现了 0.899 和 0.785 的准确率。

    Aug, 2018

  • 使用多分辨率 EfficientNets 集成的皮肤病变分类与元数据

    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