基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进
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
通过融合 transformers 和 CNNs,我们提出了一种混合架构用于医学图像分割,旨在克服 CNNs 在捕捉全局依赖性和局部空间细节方面的局限性。我们通过比较各种架构和配置,并进行多次实验来评估它们的有效性。
Jan, 2024
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
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
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
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
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。
Oct, 2023
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
本篇论文介绍了一种新的 UNETR 架构,通过使用 Transformer 作为编码器,可以捕捉更长程的空间依赖性,同时保持 “U 形” 的网络设计。实验证明,在多个数据集上,该方法在多器官分割任务上取得了最新的最优性能。
Mar, 2021
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