Dec, 2023

SLP-Net: 皮肤病病变分割的高效轻量级网络

PDF
TL;DR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。
melanomaskin lesion segmentationslp-netultra-lightweight segmentation networkhigh segmentation accuracy
发现论文，激发创造
  • UCM-Net：使用 MLP 和 CNN 的轻量级高效皮肤病变分割解决方案

    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

  • 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

  • SLSDeep：基于扩张残差和金字塔池化网络的皮肤病损分割

    本文介绍了一种称为 SLSDeep 的深度学习皮肤病损分割模型，采用编码器 - 解码器网络，采用负对数似然损失和终点误差的组合损失函数进行端到端的自动诊断，实现了准确的黑色素瘤区域分割，并在 ISBI 2016 和 2017 上进行了评估，其具有优于现有方法的准确性，能够在最新的 GPU 上每秒处理超过 100 张 384x384 大小图像的能力。

    May, 2018

  • 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

  • 基于聚合多分辨率跳跃连接的深度卷积编码器 - 解码器用于皮肤病变分割

    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

  • 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

  • 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

  • 使用深度学习网络进行皮肤病变分析以实现黑色素瘤检测

    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

  • 利用皮肤科医生的知识将卷积神经网络应用于皮肤病诊断

    本文介绍了我们参加 ISIC 2017 挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。

    Mar, 2017

  • 学习从噪声标注中分割皮肤病变

    该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

    Jun, 2019