通过整合智能手机拍摄的图像与临床和人口统计信息,将多模态方法引入皮肤病变分类的诊断过程中,通过辅助任务的超分辨率图像预测组成,提高特征提取和类别区分的能力,并展示了在资源匮乏的医疗环境中应用此方法的有效性。
Feb, 2024
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
论文提出了一种深度卷积神经网络的组合方法,用于将皮肤镜图像分类为三类,该方法结合了四种不同神经结构的输出,以达到最高分类精度,并优于单个神经网络。
May, 2017
本文提出了一个新的多类预测框架,基于 ViT 和 ViTGAN,在使用可解释 AI 的情况下,对皮肤病变分类。该框架分四个阶段,引入了生成对抗网络来解决类不平衡问题,使用卷积神经网络实现分类,实验结果相较于现有框架有所改善。
Feb, 2023
使用深度多任务学习(MTL)框架,结合图片的身体部位信息和 ImageNet 预训练模型,实现皮肤病变分类和身体部位分类的联合优化,结果表明该方法比独立单任务表现更为鲁棒。
Dec, 2018
通过人工智能和图像分类技术,将肿瘤性皮肤病变进行分类识别为恶性或良性,以实现早期有效诊断。
May, 2023
应用了五种不同的预先训练的迁移学习方法对恶性和良性阶段的皮肤癌进行二分类检测,实验结果表明 ResNet-50 模型提供了 0.935 的准确率、0.86 的 F1 分数和 0.94 的精确度。
Jun, 2024
提出了一种名为 DermImitFormer 的多任务模型,通过模仿皮肤科医生的诊断程序和策略,解决了现有方法忽略皮肤疾病诊断所需基本领域知识的问题,并同时预测身体部位、皮损属性以及疾病本身,从而提高诊断准确性和可解释性。
Jul, 2023
本文研究了实现强健的皮肤病诊断的实用方法,并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法,并应用卷积神经网络(CNNs)来实现疾病定向诊断和病变定向分类的分类器,并采用来自六个公开皮肤病学大全的 75665 个皮肤病图像来进行训练与测试,结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。
本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务,实验结果在 ISIC 2017 测试集上表现出有前景的准确率
Mar, 2017