利用具有不同种族和不同获取模式的皮肤镜图像,通过不同的采集和清洗方法以及半自动工作流程和特别训练的神经网络,我们成立了 HAM10000 数据集,这个数据集由 10015 个用于学术机器学习目的的皮肤镜图像组成,覆盖养猪场多种重要诊断范畴,用于训练神经网络。
Mar, 2018
本研究提出了一种基于全卷积神经网络的方法,将临床显微镜图像中的皮肤病变区域分割出来,利用该方法可以有效地探讨临床皮肤显微镜特征识别问题,并在 ISIC-ISBI Part 2 比赛中取得了显著的优异表现。
Mar, 2017
提出一种基于已知类别知识自动发现皮肤镜图像数据集中新语义类别的新颖类别发现框架,借助对已知类别知识的学习,采用对比学习和多视角交叉伪监督策略来建立特征表示,并通过众包和本地样本相似性聚合来改进模型的聚类性能。在 ISIC 2019 皮肤科数据集上进行广泛实验,结果表明,该方法能够有效利用已知类别知识发现新的语义类别。
Sep, 2023
提出一种基于证据的分类方法,利用 CNN,三元损失和全局平均池化学习特征嵌入,通过 kNN 搜索分类,并以发现的邻居和最相关的局部图像区域作为证据。通过实现一种新的分级三元逻辑,根据疾病标签和非专家相似性一起学习嵌入,以确保结果对于任何技能水平的人来说都具有标签准确性和视觉相似性,从而改善了基于疾病标签和标准多类损失的基准结果,并显着改善了结果的定量相关性和局部图像区域。
May, 2018
通过可解释的原型 - 部分模型以及自动分割网络和用户优化的原型引入的非专家反馈指导,我们提出了一种新的黑素瘤诊断方法,实验证明即使没有专家监督,我们的方法在性能和泛化程度上均优于不可解释的模型。
Feb, 2024
本研究探讨了一种基于深度神经网络的集成方法,用于从皮肤镜图像中自动识别皮肤疾病,其算法被应用于 ISIC 2018 挑战数据集(皮肤病变分析,以期达到黑色素瘤检测的目的)。
Jul, 2018
本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断,以检测黑色素瘤和恶性皮肤癌,其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。
Jan, 2019
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
这篇论文介绍了一个基于深度学习的自动疾病诊断预测系统,使用转移学习策略在 VGG16 和 GoogLeNet 架构上进行疾病分类预测,其主要特点是基于图像增强和颜色规范化的预处理方法,任务表现优秀。
Aug, 2018
本文介绍了一种结合深度学习和机器学习的系统,通过分割皮肤病变区域及其周围组织进行黑色素瘤检测,使用公开数据集验证,相比于专家医生的平均准确率高达 76%。
Oct, 2016