Sep, 2019

基于深度学习和熵的皮肤癌检测来检测异常样本

PDF
TL;DR本文介绍了在 ISIC 2019 挑战中获得任务 1 和 2 的第三名和第四名的方法。研究目标是提供使用图像和元数据进行皮肤癌诊断，使用 CNN 集成了分类器，开发了两种处理异常类的方法，并提出了一种简单的方法来使用元数据和图像。
isic challengeskin cancer diagnosisensemble of classifierscnnoutlier class
发现论文，激发创造
  • 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

  • 基于深度卷积神经网络组合的皮肤病变检测

    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

  • 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

  • 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

  • 使用集成、未缩放多重裁剪评估和损失加权的皮肤病变诊断

    该研究介绍了应对 ISIC2018 皮肤病变诊断挑战的方法，使用卷积神经网络进行皮肤病变分类，解决了类别不平衡问题，同时采用元学习技术预测结果，并在挑战中取得第二名成绩，是唯一使用公共数据的最佳解决方案。

    Aug, 2018

  • 基于深度卷积神经网络的皮肤镜图像疾病识别

    本研究探讨了一种基于深度神经网络的集成方法，用于从皮肤镜图像中自动识别皮肤疾病，其算法被应用于 ISIC 2018 挑战数据集（皮肤病变分析，以期达到黑色素瘤检测的目的）。

    Jul, 2018

  • 通过端到端深度学习卷积神经网络分析皮肤病变进行黑素瘤检测

    本文提出了一种使用卷积神经网络 (Convolutional Neural Network) 模型解决皮肤病变分割和病变诊断问题的方案，并在 2018 年 ISIC 挑战赛中获得了良好的实验结果。

    Jul, 2018

  • 利用对抗训练和深度迁移学习进行黑色素瘤检测

    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

  • 利用皮肤科医生的知识将卷积神经网络应用于皮肤病诊断

    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

  • 皮肤镜图像分类的卷积神经网络模型集成

    这篇论文介绍了一个基于深度学习的自动疾病诊断预测系统，使用转移学习策略在 VGG16 和 GoogLeNet 架构上进行疾病分类预测，其主要特点是基于图像增强和颜色规范化的预处理方法，任务表现优秀。

    Aug, 2018