May, 2020

皮肤病变定位和分割的检测器-分割师网络

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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。

    Mar, 2017

  • 基于全卷积解卷积网络的皮肤病自动分割

    本文总结了我们用于ISBI 2017挑战赛-面向黑色素瘤检测的皮肤病变分析-第一部分：病变分割的方法和验证结果。

    Mar, 2017

  • 皮肤病损检测和分割的多任务框架

    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

  • 基于聚合多分辨率跳跃连接的深度卷积编码器-解码器用于皮肤病变分割

    本研究提出一种利用金字塔池化模块的编码-解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了0.837验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

    Jan, 2019

  • 基于深度学习的自动黑素瘤检测：数据净化和增强

    本研究介绍了基于深度学习的黑色素瘤检测系统，包括数据净化和增强工具，通过去除图像的遮挡和用生成对抗网络合成图像来增加数据的多样性。实验证明，该系统相比其他方法表现更为优异。

    Feb, 2019

  • 提高黑色素瘤诊断可信度：强制卷积网络从病变中学习

    本研究提出了一种基于 EfficientNet 和椭圆分割模型的黑素瘤检测方法，测试结果表明该方法可显著提高诊断准确率和信心水平。

    May, 2023

  • 通道注意力可分离卷积网络用于皮肤病变分割

    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

  • TESL-Net：一种增强的变压器卷积神经网络用于精准皮肤病变分割

    本研究解决了皮肤癌早期检测中由于病变形状不规则、边界不清晰以及伪影影响而导致的精准分割问题。该论文提出的TESL-Net通过结合卷积神经网络（CNN）与双卷积长短期记忆网络（Bi-ConvLSTM）和Swin变压器，捕捉长期依赖关系和上下文通道关系，从而提高了分割的准确性。在ISIC 2016、ISIC 2017和ISIC 2018数据集上的评价显示，TESL-Net在分割任务中达到了先进的性能，显著提高了Jaccard指数。

    Aug, 2024

  • LSSF-Net：具有自我意识、空间注意力和焦点调制的轻量级分割网络

    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