我们提出基于知识蒸馏的方法来创建一个轻量级且高性能的皮肤癌分类器，通过融合 ResNet152V2、ConvNeXtBase 和 ViT Base 等三个模型来创建一个有效的教师模型，进而进行指导以得到一个大小为 2.03 MB 的轻量级学生模型，通过 16 位量化将其进一步压缩到 469.77 KB，以实现边缘设备的平滑整合，在六个阶段的图像预处理、数据增强以及严谨的消融研究的基础上，在 HAM10000 数据集上取得了 98.75% 的准确率，在 Kaggle 数据集上取得了 98.94% 的准确率，在资源受限的环境中，我们的模型以其高准确率和紧凑的大小成为一个潜在的准确的皮肤癌分类选择。

Jun, 2024

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

早期发现可以治疗皮肤癌，我们提出了一种专用于皮肤癌分类问题的解决方案，通过对专家注释的黑色素瘤医学图像训练视觉转换器，实现与人类性能相匹配的识别效果。通过知识蒸馏从教师模型中构建出一个模型，无论是时间还是内存消耗都比教师模型小很多，性能却保持在 98.33% 左右。通过在转换器的每个级别添加分类头，并采用级联蒸馏过程，我们提高了基本模型的平衡多类准确性 2.1%，同时创建了一系列体积不同但性能相当的模型。我们在此 URL 提供代码。

Aug, 2023

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

通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法，该研究建立了一个可比较 1,296 个实验的公平对比，并生成一个可在 Web 上部署的轻量级模型（称为 Mela-D）以及减少参数 24 倍以提高 33 倍运行速度，并在之前未见过的图像上获得与 ResNet50 相似的 88.8% 的准确率，从而实现在消费级硬件上高效准确地在实际环境中检测黑素瘤。

Mar, 2024

本文介绍了一种结合深度学习和机器学习的系统，通过分割皮肤病变区域及其周围组织进行黑色素瘤检测，使用公开数据集验证，相比于专家医生的平均准确率高达 76%。

Oct, 2016

研究表明，知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务，深度学习对训练数据的渴求提出了挑战，通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题，然而这方面的系统性评估目前尚缺失，因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能，结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能，为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。

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。

Mar, 2017

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

皮肤癌是世界上最危险和最常见的癌症之一，本文使用深度卷积神经网络和迁移学习方法对皮肤病变进行自动分类，证明了在已有预训练神经网络的基础上的合理设计和应用可以显著提高病变检测的分类准确率。

Apr, 2024