使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

Aug, 2018

我们提出了一种新颖的技术，使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型，并与U-Net及其残差变体进行对比，结果表明性能颇具竞争力。

Feb, 2019

该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的“网络中的网络”方法，用于分割皮肤病变。作者使用了一种名为Faster RCNN的方法进行预处理，配合UNet和Hourglass网络实现皮肤病变的分割。在ISIC 2018数据集上，该方法的Dice相似度系数达到0.915，准确率达到0.959，在ISBI 2017数据集上，Dice相似度系数达到0.947，准确率达到0.971。

May, 2020

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

通过整合多层感知器和卷积神经网络，我们提出了一种高效低成本的UCM-Net解决方案，用于皮肤病变分割，其参数不超过50KB且每秒运算次数不超过0.05 Giga-Operations，为皮肤病变分割领域的高效性设立了新的可能标准。

Oct, 2023

提出一种基于Hierarchical Transformer的U型结构用于皮损分割，以及一种使用注意力相关性自适应地组合每个阶段的上下文来减轻语义差距的Inter-scale Context Fusion（ISCF）方法。

Oct, 2023

本研究提出并评估了一种基于分层 Transformer 结构的 U 型网络模型用于皮肤病变分割，同时提出了一种自适应地结合每个阶段上下文的 Inter-scale Context Fusion (ISCF) 方法，初步结果证明了ISCF模块在皮肤病变分割基准上的适用性和效能。

Oct, 2023

我们提出了一种新颖的皮肤病变分割技术SLP-Net，它是一种基于脉冲神经P(SNP)系统类型机制的超轻量级分割网络，具有很少的参数和高速计算的特点。在ISIC2018挑战赛中，我们的模型在准确率和DSC指标上都达到了最高水平，而在PH2数据集上也展现了良好的泛化能力。与其他模型相比，SLP-Net在计算复杂性和计算速度上具有明显的优势。

Dec, 2023

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

本文针对皮肤病变分割中面临的挑战，提出了一种新颖的AD-Net方法，结合了注意力机制与膨胀卷积残差网络，以增强空间特征并优化解码过程。研究结果表明，该方法在需要更少模型参数的情况下，准确性优于现有顶尖方法，显著降低了训练所需的标注数据量。

Sep, 2024