使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

Aug, 2018

本文介绍一种基于半监督学习的皮肤病病变分割新方法，通过标记和未标记数据的加权结合优化神经网络，通过不同正则化方法提高像素级预测效果，实现对少量标记数据进行高效训练，并在ISIC 2017皮肤病病变分割竞赛中取得2000个标记数据以下更好的性能。

Aug, 2018

本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了RGB图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了12.02%、4.30%和8.86%的平均Jaccard Index提升。

Mar, 2020

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

通过提出CASCN网络，利用U-Net、DenseNet、Separable Convolution、Channel Attention和Atrous Spatial Pyramid Pooling等先进机制，实现皮肤病变分割，并在PH2数据集上取得了最佳性能（Dice相似系数为0.9461，准确率为0.9645）。

Sep, 2023

无监督皮肤病变分割，采用Uncertainty Self-Learning Network自学习网络，通过对比学习提取特征，生成基于显著性的Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

Sep, 2023

我们提出了一种新颖的皮肤病变分割技术SLP-Net，它是一种基于脉冲神经P(SNP)系统类型机制的超轻量级分割网络，具有很少的参数和高速计算的特点。在ISIC2018挑战赛中，我们的模型在准确率和DSC指标上都达到了最高水平，而在PH2数据集上也展现了良好的泛化能力。与其他模型相比，SLP-Net在计算复杂性和计算速度上具有明显的优势。

Dec, 2023

本研究针对皮肤病变的分割问题，提出了一种轻量级网络LSSF-Net，旨在解决现有模型在处理复杂病变形状、模糊边界及纹理和颜色差异方面的不足。该模型采用了新颖的编码-解码架构，结合了焦点调制注意力和自我意识空间注意力，验证结果显示其在多个基准数据集上具有卓越性能，展现了良好的应用潜力。

Sep, 2024

本文针对皮肤病变分割中面临的挑战，提出了一种新颖的AD-Net方法，结合了注意力机制与膨胀卷积残差网络，以增强空间特征并优化解码过程。研究结果表明，该方法在需要更少模型参数的情况下，准确性优于现有顶尖方法，显著降低了训练所需的标注数据量。

Sep, 2024

本研究旨在解决皮肤病损分割中的关键挑战，尤其是在处理不同尺寸病损和不明显目标区域时的困难。提出的SkinMamba架构结合了Mamba和CNN的优势，能有效捕捉全局上下文关系并实现线性复杂度，提供了精确的边界引导，从而在公共数据集上展示了其强大的竞争力和潜在影响。

Sep, 2024