公正检测黑色素瘤：肤色检测和去偏见技术用于皮损分类

Feb, 2022

公正检测黑色素瘤：肤色检测和去偏见技术用于皮损分类

Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin Lesion Classification

Peter J. Bevan, Amir Atapour-Abarghouei

TL;DR本研究提出了一种高效有效的算法，可以自动标记皮肤损伤图像的肤色，并将其用于注释基准 ISIC 数据集以减少皮肤色调偏差。实验结果证明，皮肤色调检测算法优于现有解决方案，取消偏见可以提高普适性，并减少轻重肤色间的黑色素瘤检测性能差异。

Abstract

convolutional neural networks have demonstrated human-level performance in the classification of melanoma and other skin lesions, but evident performance disparities between differing skin tones should be addressed before widespread deployment. In this work, we propose an efficient yet

convolutional neural networks skin tone detection bias unlearning techniques melanoma detection isic dataset

发现论文，激发创造

重新思考皮肤色调公平性在皮肤病变分类中的作用

通过在皮肤病分类图像中考虑皮肤色调差异来解决公平性问题是至关重要的，然而公共数据集中缺乏皮肤色调标签导致无法构建公平的分类器。目前，这些皮肤色调标签的估计是在独立研究中使用个体类型角度（ITA）进行公正性分析之前进行的。本文回顾并比较了四种基于 ITA 的皮肤色调分类方法在 ISIC18 数据集上的应用，该数据集是评估皮肤癌分类公平性的常用基准。我们的分析揭示了先前发表的研究中存在较大分歧，从而展示了基于 ITA 的皮肤色调估计方法存在的风险。此外，我们调查了这些方法之间差异如此之大的原因，并发现 ISIC18 数据集中缺乏多样性，限制了其作为公平性分析测试平台的使用。最后，我们建议进一步研究鲁棒的 ITA 估计方法和带有肤色注释的多样性数据集采集，以促进对皮肤科人工智能工具的公平评估。我们的代码可在此 https URL 访问。

Aug, 2023

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

利用对抗训练和深度迁移学习进行黑色素瘤检测

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

通过端到端深度学习卷积神经网络分析皮肤病变进行黑素瘤检测

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

(去) 构建皮肤病变数据集上的偏差

本文针对现有的皮肤病例资料集中的偏见问题，提出一系列实验，发现机器学习模型在没有临床有意义信息的情况下可以正确分类皮肤病变图像，这强烈暗示了伪相关性引导模型。通过本次实验，揭示了模型在小型数据集中训练和评估的局限性，为未来的模型指导提供了参考。

Apr, 2019

EdgeMixup: 改进皮肤病分类和分割的公平性

该篇论文通过使用 EdgeMixup 数据预处理算法实现了对深度学习模型在诊断皮肤病方面存在的模型偏差进行纠正，并对 Lyme，Tinea Corporis 和 Herpes Zoster 等病变诊断模型的性能进行了比较和分析，其中 EdgeMixup 在减少光之间和暗之间皮肤样本分类准确率差距方面显示出显著的表现优势。

Feb, 2022

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

皮肤深度去学习：基于黑素瘤分类语境下的工件和工具去偏差化

本文研究了卷积神经网络在皮肤病变图像鉴别中的应用，针对现有训练数据中存在的偏见问题，通过两种偏置解除技术对自动黑素瘤分类流水线进行了优化，并表明这些方法可以合理减轻手术标记和前期研究中出现的误差。实验证明，针对一些偏见使用不同的去偏置技术有着明显的效果改善，同时提高了黑素瘤图像分类算法的泛化能力。

Sep, 2021

卷积神经网络用于人脸皮肤病变检测

该研究提出了一种通过卷积神经网络和机器学习方法，在面部图像中侦测瑕疵和皮肤损伤的模型，该方法具有简单的架构、快速和适用于图像处理，并避免了传统方法的复杂性。

Feb, 2024

使用深度神经网络进行皮肤病变分类

本文介绍了我们用于分类 ISIC 2019 挑战数据集皮损 dermoscopic 照片的方法和技术，我们的方法旨在使用合奏深度神经网络及其一些强大的技术来处理不平衡数据集，以提高 CNN 模型性能。

Nov, 2019