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
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。
本研究提出了一种基于全卷积神经网络的方法，将临床显微镜图像中的皮肤病变区域分割出来，利用该方法可以有效地探讨临床皮肤显微镜特征识别问题，并在ISIC-ISBI Part 2比赛中取得了显著的优异表现。
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
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
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
本研究探讨了使用多个现实世界图像对CNN基于皮肤镜的黑素瘤分类器的性能的影响，并发现这是一种提高黑素瘤分类器性能的廉价方法。
Jun, 2023
结合深度学习技术和迁移学习方法，本文提出了一种系统，用于对黑色素瘤皮肤损伤进行分类和诊断，达到相对较高的准确度，并且可在计算能力较弱的设备上进行预测。
Dec, 2023
我们提出了一种多模态方法，通过单一网络高效地整合多尺度临床和皮肤镜特征，从而大幅减少模型参数。该方法包括三种新颖的融合方案，通过共享编码器参数并保留各自的模态专属分类器、使用共享的交叉注意力模块多层次地互动两种模态、以及通过引入偏置损失将皮肤镜信息优先于临床信息，隐式地学习更好的联合特征表示。在一个公认的关键点核查表（SPC）数据集和一个采集的数据集上进行的大量实验证明了我们方法在CNN和Transformer结构上的有效性。此外，与目前先进的方法相比，我们的方法在准确性和模型参数方面都表现出优势。
Mar, 2024