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

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

本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

Jan, 2019

本文提出了一种高效的 Channel Prior Convolutional Attention (CPCA) 方法以及基于 CPCA 的医学图像分割网络 CPCANet，通过在通道和空间维度上支持动态分配注意力权重并保持通道优先以及采用多尺度深度可分离卷积模块，能够有效地提取空间关系，专注于有信息量的通道和重要区域。在两个公开数据集上验证 CPCANet，相对于其他最先进的算法实现了更好的分割性能并需要更少的计算资源。代码公开在 https://github.com/Cuthbert-Huang/CPCANet。

Jun, 2023

本文介绍了我们参加 ISIC 2017 挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。

Mar, 2017

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

该研究提出了一种通过卷积神经网络和机器学习方法，在面部图像中侦测瑕疵和皮肤损伤的模型，该方法具有简单的架构、快速和适用于图像处理，并避免了传统方法的复杂性。

Feb, 2024

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

癌症的早期检测可以通过早期干预来改善患者的预后。我们提出了一种基于注意力机制的流水线，可以识别疑似病变、对其进行分割，并对其进行非异型、异型和癌性病变的分类。我们提出了一种基于视觉变换器的掩码 R-CNN 网络用于临床图像的病变检测和分割，以及基于多实例学习的分类方案。目前的结果显示，分割模型可以在未见的外部测试数据上产生具有高达 82% 重叠准确度的分割掩码和边界框，并超过了经过验证的分割基准。在内部队列测试集上，分类 F1 得分达到 85%。我们开发了一款应用程序，可以通过智能设备进行病变分割。未来的工作将利用内窥镜视频数据进行精确的早期检测和预后评估。

May, 2024

这篇研究论文介绍了一种开创性的方法来进行皮肤癌分类，采用了视觉转换器作为深度学习架构，在精细标注的皮肤病变图像数据集上进行预处理和训练，通过自注意机制捕捉复杂的空间依赖关系，取得优于传统深度学习架构的卓越性能，特别是 Google 基于 ViT patch-32 变体，达到 96.15% 的准确率，为皮肤科医生在皮肤癌诊断中提供了潜力巨大的有效工具。

Jan, 2024