Oct, 2020

使用 EfficientNet 集成鉴定黑瘤图像：SIIM-ISIC 黑瘤分类挑战赢家方案

PDF
TL;DR本文介绍了我们使用的卷积神经网络模型集成方法来解决 SIIM-ISIC 皮肤黑色素瘤分类挑战问题，其中模型结合了不同的架构和输入大小，大多数仅使用图像模型，少数使用了图像级和患者级别的元数据，最终我们的解决方案使用稳定的验证方案，选择合适的模型目标，调整合理的流程和使用多样化的模型融合策略，实现了 0.9600 在交叉验证集上的 AUC 得分和 0.9490 在私有排行榜上的 AUC 得分。
发现论文，激发创造
  • 选择 CNN 结构进行黑色素瘤分类：单独还是集成？

    本研究在 ISIC Challenge 2017 数据集上对 9 种 CNN 架构进行了 5 种切分和 3 种重复测试，结果发现 CNN 架构在 ImageNet 上的表现与目标任务的表现强相关性的观点不太成立，当考虑仅使用表现最好的网络时，相关性消失，并且最佳方法仍然是创建多个模型的集成。本研究还比较了两种选择模型的方法，并发现使用验证集进行挑选略优于随机选择。

    Apr, 2019

  • 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

  • 乳腺肿瘤分类的集成卷积神经网络

    本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

    Apr, 2023

  • 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

  • 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

  • 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

  • 深度神经网络集合对黑色素瘤、痣和脂溢性角化症的图像分类

    本研究报告了 Casio 和信州大学合作团队参加 ISBI 2017 挑战的方法和评估结果 —— 皮肤病变分析，目的是检测黑色素瘤 - 小节 3：病变分类，我们的在线验证分数为 0.958，黑素瘤分类器 AUC 达到 0.924，脂溢性角化病变分类器 AUC 达到 0.993。

    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

  • 基于深度学习和熵的皮肤癌检测来检测异常样本

    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。

    Sep, 2019