基于皮肤镜和临床图像的多标签皮损分类图集学习模型
通过最大化不同视角下的镜检和临床图像之间的相似性,聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。
Oct, 2023
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
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
本研究利用 transformer-based 架构实现了单阶段多模态数据融合,并在图像与病患数据丰富的环境下击败了其他单模态和多模态深度学习架构,同时,所选架构还提供了本地可解释性支持。
Apr, 2023
本文提出了一种利用 Bayes 卷积网络处理不同标注者之间矛盾标注情况的方法, 以提高深度学习模型在多标注医学图像分割上的性能和泛化能力。
Dec, 2020
我们提出了一种多模态方法,通过单一网络高效地整合多尺度临床和皮肤镜特征,从而大幅减少模型参数。该方法包括三种新颖的融合方案,通过共享编码器参数并保留各自的模态专属分类器、使用共享的交叉注意力模块多层次地互动两种模态、以及通过引入偏置损失将皮肤镜信息优先于临床信息,隐式地学习更好的联合特征表示。在一个公认的关键点核查表(SPC)数据集和一个采集的数据集上进行的大量实验证明了我们方法在 CNN 和 Transformer 结构上的有效性。此外,与目前先进的方法相比,我们的方法在准确性和模型参数方面都表现出优势。
Mar, 2024
通过使用多任务少样本学习方法,我们提出了一种适应少量标记数据的多任务少样本学习方法,结合分割网络和分类网络,以实现对皮肤病变的自动分类和检测,提高皮肤癌的早期检测率。
Oct, 2023
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
使用对抗学习的算法开发的可自动生成皮肤病变掩膜的 EGAN 算法,可应用于皮肤癌病变的计算机辅助诊断,其精度比当前最先进的基于皮损分割的方法高出 2% 的 Dice 系数,1% 的 Jaccard 相似度,和 1% 的准确度。
May, 2023
通过整合智能手机拍摄的图像与临床和人口统计信息,将多模态方法引入皮肤病变分类的诊断过程中,通过辅助任务的超分辨率图像预测组成,提高特征提取和类别区分的能力,并展示了在资源匮乏的医疗环境中应用此方法的有效性。
Feb, 2024