利用近红外光谱数据基于机器学习算法在体内诊断皮肤癌

Jan, 2024

利用近红外光谱数据基于机器学习算法在体内诊断皮肤癌

Skin cancer diagnosis using NIR spectroscopy data of skin lesions in vivo using machine learning algorithms

Flavio P. Loss, Pedro H. da Cunha, Matheus B. Rocha, Madson Poltronieri Zanoni, Leandro M. de Lima...

TL;DR皮肤病变、近红外光谱、机器学习算法、分类和自动辅助诊断是本研究的关键词，旨在利用近红外光谱数据对皮肤病变进行自动分类的机器学习算法进行研究及分析。

Abstract

skin lesions are classified in benign or malignant. Among the malignant, melanoma is a very aggressive cancer and the major cause of deaths. So, early diagnosis of skin cancer is very desired. In the last few years, there is a growing interest in computer aided diagnostic (CAD) using m

skin lesions nir spectroscopy machine learning algorithms classification automated cad

发现论文，激发创造

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

机器学习在黑素瘤检测以及 “丑小鸭” 和可疑痣识别中的应用：综述

皮肤病变（如痣）的不同特征对于恶性黑素瘤的监测具有重要意义，而 “丑小鸭痣” 概念指的是与周围其他病变有所区别的特征鲜明的痣。计算机辅助诊断（CAD）结合机器学习技术和各种患者分析方法，以提高诊断准确性并简化决策过程，尤其在皮肤癌诊断中能缓解专业人员短缺问题。机器学习和深度学习技术在黑色素瘤和可疑痣检测中具有广泛应用，并实现了与专家相当的结果。

Sep, 2023

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

WonDerM：基于 Fine-tuned 神经网络的皮肤病变分类

该研究旨在通过深度学习和神经网络应用于皮肤科图像分析挑战解决皮肤病的预测和分类问题，并在验证数据集和测试数据集中分别实现了 0.899 和 0.785 的准确率。

Aug, 2018

多任务可解释性皮肤病变分类

通过使用多任务少样本学习方法，我们提出了一种适应少量标记数据的多任务少样本学习方法，结合分割网络和分类网络，以实现对皮肤病变的自动分类和检测，提高皮肤癌的早期检测率。

Oct, 2023

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