Feb, 2024

通过多模态数据和辅助任务集成优化皮肤病变分类

PDF
TL;DR通过整合智能手机拍摄的图像与临床和人口统计信息，将多模态方法引入皮肤病变分类的诊断过程中，通过辅助任务的超分辨率图像预测组成，提高特征提取和类别区分的能力，并展示了在资源匮乏的医疗环境中应用此方法的有效性。
skin conditionsmultimodal methoddiagnosing skin diseasessuper-resolution image predictionunder-resourced healthcare environments
发现论文，激发创造
  • 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

  • 一种新型多任务模型模仿皮肤科医生在临床图像中进行准确的皮肤病差异诊断

    提出了一种名为 DermImitFormer 的多任务模型，通过模仿皮肤科医生的诊断程序和策略，解决了现有方法忽略皮肤疾病诊断所需基本领域知识的问题，并同时预测身体部位、皮损属性以及疾病本身，从而提高诊断准确性和可解释性。

    Jul, 2023

  • 多标签皮肤病变分类的自监督多模态学习

    通过最大化不同视角下的镜检和临床图像之间的相似性，聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。

    Oct, 2023

  • 使用多分辨率 EfficientNets 集成的皮肤病变分类与元数据

    本文介绍了我们针对 ISIC 2019 皮肤病变分类挑战的方法，通过包括不在训练集中的皮肤病变类型的外部数据，使用丰富多样的数据集解决多类皮肤病变分类中的类别不平衡问题，并采用不同的分辨率和裁剪策略，以及额外的神经网络融合等技术实现了一整套模型，最终在两个任务上取得了最好的效果。

    Oct, 2019

  • 一种基于深度多任务学习的皮肤病变分类方法

    使用深度多任务学习（MTL）框架，结合图片的身体部位信息和 ImageNet 预训练模型，实现皮肤病变分类和身体部位分类的联合优化，结果表明该方法比独立单任务表现更为鲁棒。

    Dec, 2018

  • 基于 Transformer 的可解释多模态数据融合在皮肤病变分类中的应用

    本研究利用 transformer-based 架构实现了单阶段多模态数据融合，并在图像与病患数据丰富的环境下击败了其他单模态和多模态深度学习架构，同时，所选架构还提供了本地可解释性支持。

    Apr, 2023

  • 使用深度神经网络进行皮肤病变分类

    本文介绍了我们用于分类 ISIC 2019 挑战数据集皮损 dermoscopic 照片的方法和技术，我们的方法旨在使用合奏深度神经网络及其一些强大的技术来处理不平衡数据集，以提高 CNN 模型性能。

    Nov, 2019

  • 使用多标签深度神经网络实现皮肤病分类与皮肤病变表征的鲁棒诊断

    本文研究了实现强健的皮肤病诊断的实用方法，并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法，并应用卷积神经网络（CNNs）来实现疾病定向诊断和病变定向分类的分类器，并采用来自六个公开皮肤病学大全的 75665 个皮肤病图像来进行训练与测试，结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。

    Dec, 2018

  • 基于临床图像特征与患者数据的色素性皮肤病自动诊断技术

    该研究开发了一个基于智能手机拍摄的脂肪瘤皮肤病变图像的计算机辅助诊断系统，通过提取图像特征和病人背景信息来提高皮肤病变诊断的准确性，在实验中与专家的判断相当。

    Jan, 2022

  • 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