Oct, 2023

UCM-Net：使用 MLP 和 CNN 的轻量级高效皮肤病变分割解决方案

PDF
TL;DR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。
skin cancercomputer-aided diagnosisskin lesion segmentationdeep learning modelsucm-net
发现论文，激发创造
  • 皮肤病损检测和分割的多任务框架

    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

  • LCAUnet：一种增强边缘和体融合的皮肤病变分割神经网络

    本文提出了一种新型的 LCAUnet 用于改善传统方法中经常被忽视的边缘和身体特征结合的能力，通过局部交叉注意力操作在编码器阶段融合边缘和身体的特征图，进一步嵌入 PGMF 模块进行特征集成，实验证明 LCAUnet 在公共可用数据集 ISIC 2017、ISIC 2018 和 PH2 上表现优于大多数最先进的方法，该方法有利于皮肤病变的精确分割。

    May, 2023

  • 皮肤病变定位和分割的检测器 - 分割师网络

    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

  • SLP-Net: 皮肤病病变分割的高效轻量级网络

    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

  • 基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进

    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

  • 基于 Transformer 网络的皮肤病变分割的跨尺度依赖建模

    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

  • 一种用于自动皮肤病变分割和分类的互相引导模型

    本文介绍了一种应对皮肤癌症深度学习自动诊断中皮肤病变分割和分类的方法，提出了一种相互促进的 MB-DCNN 模型，通过皮病分割和分类模型相互学习，在减少耗时同时保证准确度，处理各种不同的皮肤科学数据，极大提高了皮肤病变分类的精度。

    Mar, 2019

  • USL-Net: 无监督皮肤病变分割的不确定性自学习网络

    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

  • 利用 Mini-Net 推进医学图像分割：一种为医学图像高效分割量身定制的轻量级解决方案

    我们提出了 Mini-Net，一个专门为医学图像设计的轻量级分割网络，通过少于 38,000 个参数高效捕捉高频和低频特征，从而实现在各种医学成像场景中的实时应用，并在 DRIVE、STARE、ISIC-2016、ISIC-2018 和 MoNuSeg 等各种数据集上评估了 Mini-Net，展现了它与最先进方法相比的稳健性和良好性能。

    May, 2024

  • 基于深度卷积神经网络组合的皮肤病变检测

    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