Dec, 2023

分析及比较基于转移学习的皮肤镜图像黑素瘤分类

PDF
TL;DR结合深度学习技术和迁移学习方法，本文提出了一种系统，用于对黑色素瘤皮肤损伤进行分类和诊断，达到相对较高的准确度，并且可在计算能力较弱的设备上进行预测。
melanomaskin cancerdeep learning techniquesskin lesions classificationtransfer learning methods
发现论文，激发创造
  • 基于迁移学习技术的黑素瘤分类比较分析

    使用深度卷积神经网络进行皮肤癌的早期检测和分类，有助于减少高昂的医疗费用并提升治疗效果。

    Nov, 2022

  • 基于 VGG16 和 VGG19 的迁移学习模型用于皮肤癌诊断

    皮肤癌是世界上最危险和最常见的癌症之一，本文使用深度卷积神经网络和迁移学习方法对皮肤病变进行自动分类，证明了在已有预训练神经网络的基础上的合理设计和应用可以显著提高病变检测的分类准确率。

    Apr, 2024

  • 皮肤癌图像分类使用迁移学习技术

    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

  • 使用深度神经网络集成的自动皮肤病变分类：基于 ISIC 2018 数据集的皮肤病变分析，旨在参加黑色素瘤检测挑战

    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

  • 皮肤镜图像黑色素瘤识别的深度学习集成

    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

  • 利用对抗训练和深度迁移学习进行黑色素瘤检测

    本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

    Apr, 2020

  • 卷积神经网络用于皮肤病变诊断

    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

  • 基于深度学习的黑色素瘤筛查知识迁移

    研究表明，知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务，深度学习对训练数据的渴求提出了挑战，通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题，然而这方面的系统性评估目前尚缺失，因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能，结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能，为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。

    Mar, 2017

  • 基于网络的黑色素瘤检测

    通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法，该研究建立了一个可比较 1,296 个实验的公平对比，并生成一个可在 Web 上部署的轻量级模型（称为 Mela-D）以及减少参数 24 倍以提高 33 倍运行速度，并在之前未见过的图像上获得与 ResNet50 相似的 88.8% 的准确率，从而实现在消费级硬件上高效准确地在实际环境中检测黑素瘤。

    Mar, 2024

  • 利用大规模的皮肤镜图像和深度残差网络进行自动皮肤病变分析

    这篇文章讨论了利用深度残差网络对皮肤镜图像进行分析和诊断的方法，通过自动分析可以更准确地进行皮肤黑素瘤的诊断，有助于提高早期诊断率和治疗效果。

    Mar, 2017