本文介绍一种基于半监督学习的皮肤病病变分割新方法，通过标记和未标记数据的加权结合优化神经网络，通过不同正则化方法提高像素级预测效果，实现对少量标记数据进行高效训练，并在ISIC 2017皮肤病病变分割竞赛中取得2000个标记数据以下更好的性能。

Aug, 2018

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

本文提出了一种创新的跨尺度边界感知变压器XBound-Former，通过三个特别设计的学习器获取边界知识，并在两个皮肤病例数据集(ISIC-2016和PH2以及ISIC-2018)上进行了评估。结果显示，该模型在皮肤病变量方面的表现优于其他卷积和变压器模型，在类似的息肉病变分割方面也具有较强的实用价值。

Jun, 2022

通过公正、高效和多样化的基于扩散的皮损分割和恶性分类方法，实现了对多种皮肤黑色素疾病的准确识别和分类，并且通过线性示踪技术在多种皮肤色调和罕见疾病情况下表现出最新技术水平，大大提高了恶性分类的准确性。

Jul, 2023

无监督皮肤病变分割，采用Uncertainty Self-Learning Network自学习网络，通过对比学习提取特征，生成基于显著性的Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

Sep, 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

研究探讨了通过稳定扩散模型生成的皮肤镜合成数据的利用，作为增强机器学习模型训练鲁棒性的策略。实验结果表明，通过稳定扩散模型生成的合成数据有助于提高卷积神经网络和视觉转换器模型的鲁棒性和适应性，对于两个不同的真实世界皮肤病变数据集，其效果显著。

Jan, 2024

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

本研究针对皮肤病变的分割问题，提出了一种轻量级网络LSSF-Net，旨在解决现有模型在处理复杂病变形状、模糊边界及纹理和颜色差异方面的不足。该模型采用了新颖的编码-解码架构，结合了焦点调制注意力和自我意识空间注意力，验证结果显示其在多个基准数据集上具有卓越性能，展现了良好的应用潜力。

Sep, 2024

本研究旨在解决皮肤病损分割中的关键挑战，尤其是在处理不同尺寸病损和不明显目标区域时的困难。提出的SkinMamba架构结合了Mamba和CNN的优势，能有效捕捉全局上下文关系并实现线性复杂度，提供了精确的边界引导，从而在公共数据集上展示了其强大的竞争力和潜在影响。

Sep, 2024