CVPRMay, 2021

自学能否识别可疑的丑小鸭病变？

PDF
TL;DR本研究提出了一种利用自监督机器学习自动检测异常皮损的方法，通过测量 L2 距离来识别丑小鸭痣。该方法在测试集中实现了 72.1% 的敏感度和 94.2% 的诊断准确度，具有较高的应用潜力。
melanomaugly duckling neviself-supervised machine learningoutlier lesionsdermatologists
发现论文，激发创造
  • 机器学习在黑素瘤检测以及 “丑小鸭” 和可疑痣识别中的应用：综述

    皮肤病变（如痣）的不同特征对于恶性黑素瘤的监测具有重要意义，而 “丑小鸭痣” 概念指的是与周围其他病变有所区别的特征鲜明的痣。计算机辅助诊断（CAD）结合机器学习技术和各种患者分析方法，以提高诊断准确性并简化决策过程，尤其在皮肤癌诊断中能缓解专业人员短缺问题。机器学习和深度学习技术在黑色素瘤和可疑痣检测中具有广泛应用，并实现了与专家相当的结果。

    Sep, 2023

  • 皮肤病变筛查的自动化自我监督学习

    该研究开发了一种人工智能决策支持工具，通过使用一种先进的目标检测算法，从患者图像中识别和提取所有皮肤病变，进而帮助皮肤科医生鉴别丑小鸭症状（UD），该工具的临床验证研究表明，辅助 AI 后，皮肤科医生的信心提高，与 AI 识别的 UD 的一致性得到改善。

    Nov, 2023

  • 丑小鸭还是天鹅：一种分层四重网络结构及病人个体特征挖掘用于改进皮肤病变分类

    通过深层度量学习网络 DMT-Quadruplet，实现对皮肤病变的分类和诊断，该方法在分类 “丑小鸭症”（可能为恶性黑色素瘤）上表现出优越性能，通过患者特异性四元组挖掘和层次四元组网络，实现了全局和局部上下文信息的学习。

    Sep, 2023

  • 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

  • 卷积神经网络用于皮肤病变诊断

    通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

    May, 2023

  • 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

  • USL-Net: 无监督皮肤病变分割的不确定性自学习网络

    无监督皮肤病变分割，采用 Uncertainty Self-Learning Network 自学习网络，通过对比学习提取特征，生成基于显著性的 Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

    Sep, 2023

  • 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

  • 基于变换一致自我集成模型的半监督皮肤病变分割

    本文介绍一种基于半监督学习的皮肤病病变分割新方法，通过标记和未标记数据的加权结合优化神经网络，通过不同正则化方法提高像素级预测效果，实现对少量标记数据进行高效训练，并在 ISIC 2017 皮肤病病变分割竞赛中取得 2000 个标记数据以下更好的性能。

    Aug, 2018

  • 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