使用深度神经网络进行皮肤病变分类
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
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
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
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
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
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
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
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
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