使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

Apr, 2021

本研究提出了一种名为DermSynth3D的新型框架，它将皮肤病模式与人类主体的 3D 网格相融合，并使用可微分渲染器从不同的摄像机视点在各种背景场景下生成 2D 图像。DermSynth3D可以为各种皮肤病学任务创建自定义数据集，该数据集在训练深度学习模型时表现良好。

May, 2023

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

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

利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

Aug, 2023

通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意，然而它们在临床黑脸挑战方面存在限制：限定的诊断输出数量、对罕见皮肤病变缺乏实际世界测试、无法检测越界图像以及过度依赖显微镜图像。为了解决这些问题，我们提出了一种全能的HOT模型（Hierarchical-Out of Distribution-Clinical Triage），对于临床图像，我们的模型生成三个输出：层次预测、越界图像警报以及在临床图像不足以进行诊断时对显微镜图像的推荐。当进行推荐时，它将同时整合临床和显微镜图像以进行最终诊断。针对代表性的皮肤病变数据集进行的大量实验证明了我们框架内每个组件的有效性和协同作用。我们多功能的模型为病变诊断提供有价值的决策支持，并为医学AI应用设定了一个有前景的先例。

Nov, 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

本研究解决了皮肤病学诊断中高质量注释数据集不足的问题，提出了一种创新的无监督增强解决方案，利用生成对抗网络（GAN）模型在潜在空间中生成皮肤镜图像的语义变体。通过合成图像增加训练数据，我们提高了机器学习模型的性能，并在HAM10000数据集中设定了新的基准，验证了我们方案的有效性和模型可解释性。

Oct, 2024

本研究针对医学图像生成中的偏差问题，特别是在皮肤病检测中的种族和疾病类别不平衡。提出的FairSkin框架通过三级重采样机制，显著改善了生成图像的多样性和质量，从而促进了临床环境中公平的皮肤病检测。研究结果有助于降低健康差异，提升诊断准确性。

Oct, 2024

本研究解决了当前医学图像生成领域中的种族偏见问题，尤其是在皮肤疾病检测中的表现。作者提出了一种名为FairSkin的新型扩散模型，通过三层重抽样机制减轻不同肤色之间的偏差，从而提升生成图像的多样性和质量。这一方法的显著发现是，它在临床环境中实现了更公平的皮肤疾病检测，为减少医疗差异做出了贡献。

Oct, 2024