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

DiffSeg 基于扩散差异原理，利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征，识别出疾病区域，同时通过模拟医生的注释行为，可视化分割结果的一致性和模糊性，并使用广义能量距离（GED）量化输出不确定性，帮助医生解释和决策。最后，通过密集条件随机场（DenseCRF）算法整合输出，考虑像素之间的相关性，改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性，优于现有基于 U-Net 的方法。

Apr, 2024

本文介绍了一种基于深度学习的公平皮肤病诊断框架 FairDisCo，通过对比学习和删除敏感属性等方法，有效解决了现有模型对较暗皮肤图像的低准确度问题。在两个新的皮肤数据集 Fitzpatrick17k 和 Diverse Dermatology Images 上的评估表明，FairDisCo 在公平性和性能方面的表现均优于其他三种公平性方法。

Aug, 2022

皮肤病变分割在皮肤病的早期检测和准确诊断中起着至关重要的作用。本论文提出了一种新的框架 DermoSegDiff，它在学习过程中融入边界信息，并引入了一种新的损失函数来优先考虑边界，并逐渐降低其他区域的重要性。我们还引入了一种基于 U-Net 的去噪网络，在网络内部高效地集成了噪声和语义信息。在多个皮肤分割数据集上的实验结果表明，DermoSegDiff 相比现有的 CNN、Transformer 和扩散方法在各种情况下均具有优越性，展示了其效果和泛化能力。该实现可在 GitHub 上公开访问。

Aug, 2023

应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像，相对于传统生成模型在图像质量和皮损分割性能上表现更优，SSIM 图像质量指标提高 9%，Dice 系数超过先前方法 5% 以上。

Oct, 2023

该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

May, 2023

通过提出基于同伴学习和多数委员会机器的 Federated Perl 模型，从而实现半监督联邦学习以促进恶性肿瘤的早期检测，该模型可以将客户端分为多个社区，并鼓励社区成员相互学习以生成更准确的伪标签，相比于当前半监督联邦学习方法，该方法具备更好的性能和鲁棒性。

Mar, 2021

在医学图像诊断中，公平性变得越来越重要。本文提出了一种方法，在测试阶段实现对敏感属性的公平预测，而无需在训练过程中使用此类信息，并通过增强模型特征和规范特征的纠缠关系来提高公平性和准确性。实验结果表明，在两个皮肤病数据集中，该方法能够提高分类的公平性。

Jan, 2024

本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了 RGB 图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了 12.02%、4.30% 和 8.86% 的平均 Jaccard Index 提升。

Mar, 2020

本文介绍了应用 ISDL 多类智能皮肤诊断框架，利用 58,457 张皮肤图像和 10,857 张未标记的样本进行了可解释性和失衡半监督学习的第一项研究。我们的 ISDL 通过自我平衡训练实现，提高了少数类别的伪标注样本在每次迭代中的概率，进而推动了无标签样本的利用解决类别不平衡问题，实现了多标签皮肤疾病分类的 0.979 的准确率、0.975 的敏感性、0.973 的特异性、0.974 的宏平均 F1 分数和 0.999 的接收者操作特征曲线下面积（AUC）。结合 Shapley Additive Explanation（SHAP）方法，解释了深度学习模型的预测，这与临床诊断一致。我们还提出了一种采样分布优化策略，使用 ISDLplus 可以更有效地选择伪标注样本。此外，该研究有望缓解对专业医生所提出的压力，并帮助解决农村地区医生短缺的实际问题。

Nov, 2022