Jan, 2024

基于视觉变换器的皮肤癌分割与分类，用于皮肤镜非侵入式数字系统的自动分析

PDF
TL;DR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。
发现论文，激发创造
  • 基于视觉转换的皮肤病生成与分类

    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

  • SkinDistilViT：用于皮肤病变分类的轻量级视觉变换器

    早期发现可以治疗皮肤癌，我们提出了一种专用于皮肤癌分类问题的解决方案，通过对专家注释的黑色素瘤医学图像训练视觉转换器，实现与人类性能相匹配的识别效果。通过知识蒸馏从教师模型中构建出一个模型，无论是时间还是内存消耗都比教师模型小很多，性能却保持在 98.33% 左右。通过在转换器的每个级别添加分类头，并采用级联蒸馏过程，我们提高了基本模型的平衡多类准确性 2.1%，同时创建了一系列体积不同但性能相当的模型。我们在此 URL 提供代码。

    Aug, 2023

  • SkinSAM：采用任意分割模型强化皮肤癌分割

    本研究基于 HAM10000 数据集，提出 SkinSAM 模型实现皮肤癌图像自动分割，最终模型准确度较高，证明了将该模型应用于医学图像分割任务的巨大潜力。

    Apr, 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

  • 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

  • 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

  • Transformer-CNN 融合架构用于增强皮肤病变分割

    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

  • 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

  • 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