利用数字图像处理和机器学习技术,通过对临床图像的分割和分类,实现早期检测黑色素瘤疾病,从而无需进行昂贵且无必要的切除手术。
Jan, 2016
本文针对自动黑素瘤筛查的研究现状进行了调查、分析和批评,并重新实施了一个基线技术并提出了两个新的技术。研究表明,基于当前的计算机视觉模型的简化流程比传统模型的性能更好,基于高级词袋的模型的AUC为84.6%,基于深度神经网络的模型达到89.3%,而基线(经典词袋)为81.2%。我们还开始对我们的社区进行改进重复性的对话。
Apr, 2016
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
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
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。
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
该研究提出了一种黑色素瘤诊断管道,利用两个卷积神经网络,一个诊断模型和一个预后模型。该管道在相同分布的数据上进行测试时的F1分数为0.79。
通过与皮肤科医生在一个具有多个不同医院和摄像机配置、罕见黑素瘤亚型和特殊解剖部位的异质测试集上进行比较,我们评估了“全数据扩展”(ADAE)算法在黑素瘤检测中的诊断准确性,并提高了算法的泛化能力。与皮肤科医生相比,AI在异质数据集上表现出更高的平衡准确度和敏感度,但牺牲了特异性。因此,AI在诊断复杂情况时可能有潜力支持皮肤科医生。
Jan, 2024
该研究通过使用深度学习模型,分析皮肤镜图像以确定黑素瘤的深度,从而提高黑素瘤深度的预测,并提供了与深度相关的图像特征的存在性分析。
Jun, 2024